История искусственного интеллекта

История искусственного интеллекта ( ИИ ) началось в глубокой древности , с мифами, историями и слухами искусственных существ , наделенных разумом или сознанием мастерами. Семена современного ИИ были посеяны классическими философами, которые пытались описать процесс человеческого мышления как механическое манипулирование символами. Кульминацией этой работы стало изобретение в 1940-х годах программируемого цифрового компьютера , машины, основанной на абстрактной сущности математических рассуждений. Это устройство и лежащие в его основе идеи вдохновили группу ученых на серьезное обсуждение возможности создания электронного мозга.

Область исследований искусственного интеллекта была основана на семинаре, проведенном в кампусе Дартмутского колледжа летом 1956 года. ^[1] Те, кто посетил, станут лидерами исследований искусственного интеллекта на десятилетия. Многие из них предсказывали, что такая умная машина, как человек, будет существовать не более чем через поколение, и им дали миллионы долларов, чтобы воплотить это видение в жизнь.

В конце концов стало очевидно, что они сильно недооценили сложность проекта. В 1973 году в ответ на критику со стороны Джеймса Лайтхилла и продолжающееся давление со стороны конгресса правительства США и Великобритании прекратили финансирование неориентированных исследований в области искусственного интеллекта, и последующие трудные годы позже стали известны как « зима искусственного интеллекта ». Семь лет спустя дальновидная инициатива правительства Японии вдохновила правительства и промышленность на предоставление ИИ миллиардов долларов, но к концу 80-х годов инвесторы разочаровались и снова прекратили финансирование.

Инвестиции и интерес к ИИ резко возросли в первые десятилетия 21 века, когда машинное обучение было успешно применено для решения многих проблем в академических кругах и промышленности благодаря новым методам, применению мощного компьютерного оборудования и сбору огромных наборов данных.

Прекурсоры [ править ]

Мифические, вымышленные и умозрительные предшественники [ править ]

Миф и легенда [ править ]

В греческой мифологии Талос был гигантом, построенным из бронзы, который действовал как защитник острова Крит. Он бросал валуны в корабли захватчиков и ежедневно совершал 3 круга по периметру острова. ^[2] В соответствии с псевдо-Аполлодор ' Bibliotheke , Гефест кованого Талоса с помощью циклопа и представил автомат в качестве подарка Минос . ^[3] В Аргонавтика , Джейсон и аргонавты победил его путем одной пробки возле его ноги , которая, после удаления, позволило жизненно Ихор вытекать из его тела , и оставил его неодушевленным. ^[4]

Пигмалион был легендарным королем и скульптором греческой мифологии, о котором известно в « Метаморфозах» Овидия . В 10-й книге повествовательной поэмы Овидия Пигмалион испытывает отвращение к женщинам, когда становится свидетелем того, как Пропоэтиды занимаются проституцией. ^[5] Несмотря на это, он делает подношения в храме Венеры, прося богиню принести ему женщину, похожую на статую, которую он вырезал и в которую влюбился. Действительно, статуя Галатея ожила, и, по некоторым данным, она и Пигмалион зачали ребенка. ^[6]

Голь искусственное существо еврейского фольклора, созданный из глины и- в зависимости от источника часто дают какое - то цель. Самый ранний письменный отчет о создании големов находится в трудах Элеазара бен Иуды из Вормса около 12-13 века ^[7]. В средние века считалось, что оживление голема могло быть достигнуто путем вставки части бумаги с любым из имен Бога на нем, в рот глиняной фигуры. ^[8] В отличие от легендарных автоматов, таких как Медные головы , голем не мог говорить. ^[9]

Алхимические средства искусственного интеллекта [ править ]

В книге «О природе вещей» , написанной швейцарским алхимиком Парацельсом , он описывает процедуру, которая, как он утверждает, может создать «искусственного человека». Поместив «сперму человека» в конский навоз и скармливая ее «Арканом крови человека» через 40 дней, смесь превратится в живого младенца. ^[10] предшествовавший Парацельс был Джабир ибн Hayyan взятие о присуждении гомункулюса: Takwin ^[11] В Фауст, вторая часть трагедии на Иоганна Вольфганга фон Гете, созданный алхимическим способом гомункул, которому суждено жить вечно в колбе, в которой он был сделан, стремится родиться в полноценном человеческом теле. Однако после начала этой трансформации колба разбивается, и гомункул умирает. ^[12]

Ранние современные легендарные автоматы [ править ]

Говорят, что в период раннего Нового времени эти легендарные автоматы обладали магической способностью отвечать на задаваемые им вопросы. Предполагалось, что позднесредневековый алхимик и ученый Роджер Бэкон сфабриковал медную голову , развив легенду о том, что он был волшебником. ^[13] Эти легенды были похожи на скандинавский миф о Голове Мимира. Согласно легенде, Мимир был известен своим интеллектом и мудростью и был обезглавлен во время айсирско-ванирской войны. Говорят, Один «забальзамировал» голову травами и произносил над ней заклинания, так что голова Мимира оставалась способной говорить мудрость Одину. Затем Один держал голову возле себя для совета. ^[14]

Современная фантастика [ править ]

К 19 - го века, идеи о искусственных мужчинах и мыслящие машины были разработаны в художественной литературе, как и в Мэри Шелли «s Франкенштейн или Карел Чапек » s RUR (Россум Универсальных роботов) , ^[15] и спекуляции, такие как Сэмюэль Батлер «s" Дарвин среди машин ". ^[16] ИИ стал постоянной темой научной фантастики в настоящее время.

Автоматы [ править ]

Реалистичные гуманоидные автоматы были созданы мастерами всех цивилизаций, включая Яна Ши , ^[17] героя Александрии , ^[18] Аль-Джазари , ^[19] Пьера Жаке-Дро и Вольфганга фон Кемпелена . ^[20] Самые старые известные автоматы были священные статуи из древнего Египта и Греции . Верующие верили, что мастер наделил эти фигуры очень реальным разумом, способным к мудрости и эмоциям - Гермес Трисмегист писал, что «открыв истинную природу богов, человек смог воспроизвести ее». ^[21][22]

Формальные рассуждения [ править ]

Искусственный интеллект основан на предположении, что процесс мышления человека можно механизировать. Изучение механического - или «формального» - мышления имеет долгую историю. Китайские , индийские и греческие философы разработали структурированные методы формальной дедукции в первом тысячелетии до нашей эры. Их идеи веками развивались такими философами, как Аристотель (давший формальный анализ силлогизма ), Евклид ( элементы которого были моделью формального рассуждения), аль-Хваризми (который разработал алгебру и дал свое имя « алгоритму »). ) и европейской схоластическойфилософы, такие как Уильям Оккам и Дунс Скот . ^[23]

Испанский философ Рамон Лулль (1232–1315) разработал несколько логических машин, предназначенных для производства знания логическими средствами; ^[24] Ллулл описал свои машины как механические объекты, которые могут сочетать основные и неоспоримые истины с помощью простых логических операций, производимых машиной с помощью механических значений, таким образом, чтобы произвести все возможные знания. ^[25] Работа Луллля оказала большое влияние на Готфрида Лейбница , который переработал его идеи. ^[26]

В 17 веке Лейбниц , Томас Гоббс и Рене Декарт исследовали возможность того, что всякая рациональная мысль может быть систематизирована, как алгебра или геометрия. ^[27] Гоббс написал в « Левиафане » знаменитую фразу : «Разум есть не что иное, как расчет». ^[28] Лейбниц представил универсальный язык рассуждений (его характеристика универсалис ), который свел бы аргументацию к расчету, так что «между двумя философами не было бы больше необходимости в споре, чем между двумя бухгалтерами. Для этого было бы достаточно взять их карандаши руки, вниз к своим дощечкам, и сказать друг другу (с другом в качестве свидетеля, если им нравится):Давайте посчитаем » . ^[29] Эти философы начали формулировать гипотезу о системе физических символов , которая станет руководящей верой в исследованиях ИИ.

В 20 веке изучение математической логики явилось важным прорывом, сделавшим искусственный интеллект правдоподобным. Основы были заложены такими работами, как « Законы мысли» Буля и « Begriffsschrift» Фреге . Основываясь на системе Фреге , Рассел и Уайтхед представили формальную трактовку основ математики в своем шедевре « Principia Mathematica» в 1913 году. Вдохновленные успехом Рассела , Дэвид ГильбертПредложил математикам 20-30-х годов ответить на этот фундаментальный вопрос: «Можно ли формализовать все математические рассуждения?» ^[23] Его вопрос ответили Гёделя «s неполноту доказательства , Turing » s машины и церковь «s лямбда - исчисление . ^{[23] [30]}

Их ответ был удивительным с двух сторон. Во-первых, они доказали, что на самом деле существуют пределы возможностей математической логики. Но во-вторых (и это более важно для ИИ) их работа предполагала, что в этих пределах можно механизировать любую форму математических рассуждений. Тезис Черча-Тьюринга предполагает , что механическое устройство, шаркая символов так просто , как 0 и 1, может имитировать любой мыслимый процесс математической дедукции. Ключевым открытием стала машина Тьюринга - простая теоретическая конструкция, отражающая сущность манипулирования абстрактными символами. Это изобретение вдохновит горстку ученых начать обсуждение возможности мыслящих машин. ^{[23] [32]}

Информатика [ править ]

Счетные машины были построены в древности и совершенствовались на протяжении всей истории многими математиками, включая (снова) философа Готфрида Лейбница . В начале 19 века Чарльз Бэббидж сконструировал программируемый компьютер ( Аналитическая машина ), хотя он так и не был построен. Ада Лавлейс предположила, что машина «могла бы сочинять сложные и научные музыкальные произведения любой степени сложности или степени». ^[33] (Ее часто называют первым программистом из-за набора примечаний, которые она написала, в которых подробно описан метод вычисления чисел Бернулли с помощью Engine.)

Первыми современными компьютерами были массивные машины для взлома кода времен Второй мировой войны (такие как Z3 , ENIAC и Colossus ). Последние две из этих машин были основаны на теоретической основе, заложенной Аланом Тьюрингом ^[34] и разработанной Джоном фон Нейманом . ^[35]

Рождение искусственного интеллекта 1952–1956 [ править ]

В 1940-х и 50-х годах горстка ученых из самых разных областей (математика, психология, инженерия, экономика и политология) начали обсуждать возможность создания искусственного мозга. Область исследований искусственного интеллекта была основана как академическая дисциплина в 1956 году.

Кибернетика и ранние нейронные сети [ править ]

Первые исследования мыслящих машин были вдохновлены слиянием идей, которые стали преобладать в конце 1930-х, 1940-х и начале 1950-х годов. Недавние исследования в области неврологии показали, что мозг представляет собой электрическую сеть нейронов, которые работают импульсами типа «все или ничего». Норберт Винер «ы кибернетика описана управление и стабильность в электрических сетях. Claude Shannon «s теории информации описаны цифровые сигналы (т.е. все или ничего сигналы). Алан Тьюринг «ю.ш. теория вычисленийпоказали, что любую форму вычислений можно описать в цифровом виде. Тесная взаимосвязь между этими идеями предполагает, что можно построить электронный мозг . ^[36]

Примеры работы в этом ключе включают робот , такие как У. Грей Уолтер «s черепах и Johns Hopkins Beast . Эти машины не использовали компьютеры, цифровую электронику или символическое мышление; они полностью управлялись аналоговой схемой. ^[37]

Уолтер Питтс и Уоррен Маккалок проанализировали сети идеализированных искусственных нейронов и показали, как они могут выполнять простые логические функции в 1943 году. ^{[38] [39]} Они были первыми, кто описал то, что позднее исследователи назвали нейронной сетью . ^[40] Одним из студентов, вдохновленных Питтсом и Маккалоком, был молодой Марвин Мински , тогда 24-летний аспирант. В 1951 году (вместе с Дином Эдмондсом) он построил первую нейронную сеть - SNARC . ^[41] Мински должен был стать одним из самых важных лидеров и новаторов в области искусственного интеллекта в течение следующих 50 лет.

Тест Тьюринга [ править ]

В 1950 году Алан Тьюринг опубликовал знаменательную статью, в которой размышлял о возможности создания мыслящих машин. ^[42] Он отметил, что «мышление» трудно определить, и разработал свой знаменитый тест Тьюринга . Если машина могла вести разговор (через телепринтер ), который был неотличим от разговора с человеком, то было разумно сказать, что машина «думала». Эта упрощенная версия проблемы позволила Тьюрингу убедительно доказать, что «мыслящая машина», по крайней мере, правдоподобна, и статья ответила на все наиболее распространенные возражения против этого предложения. ^[43] Тест Тьюрингабыло первым серьезным предложением в философии искусственного интеллекта .

ИИ игры [ править ]

В 1951 году, используя машину Ferranti Mark 1 Манчестерского университета , Кристофер Стрейчи написал программу для шашек, а Дитрих Принц - программу для шахмат. ^[44] Программа шашек Артура Сэмюэля , разработанная в середине 50-х - начале 60-х годов, в конечном итоге достигла достаточных навыков, чтобы бросить вызов респектабельному любителю. ^[45] Игровой ИИ по- прежнему будет использоваться для измерения прогресса ИИ на протяжении всей его истории.

Символическое мышление и теоретик логики [ править ]

Когда в середине пятидесятых годов стал возможен доступ к цифровым компьютерам , некоторые ученые инстинктивно осознали, что машина, которая может манипулировать числами, может также манипулировать символами, и что манипулирование символами вполне может быть сутью человеческого мышления. Это был новый подход к созданию мыслящих машин. ^[46]

В 1955 году Аллен Ньюэлл и (будущий лауреат Нобелевской премии) Герберт А. Саймон создали « Теоретика логики » (с помощью Дж. К. Шоу ). Программа в конечном итоге докажет 38 из первых 52 теорем в Principia Mathematica Рассела и Уайтхеда , а для некоторых найдет новые и более элегантные доказательства. ^[47] Саймон сказал, что они «решили почтенную проблему разум / тело , объяснив, как система, состоящая из материи, может обладать свойствами разума». ^[48] (Это было раннее изложение философской позиции, которую Джон Сирл позже назвал « Сильный ИИ.": машины могут содержать разум так же, как и человеческие тела.) ^[49]

Дартмутская конференция 1956: рождение ИИ [ править ]

Дартмут конференция 1956 года ^[50] был организован Марвин Мински , Джон Маккарти и два старших ученых: Клод Шеннон и Натан Rochester от IBM . Предложение для конференции включало следующее утверждение: «Каждый аспект обучения или любая другая особенность интеллекта может быть описана так точно, что может быть создана машина для его моделирования». ^[51] Среди участников были Рэй Соломонофф , Оливер Селфридж , Тренчард Мор , Артур Сэмюэл , Аллен Ньюэлл и Герберт А. Саймон., все они будут создавать важные программы в течение первых десятилетий исследований ИИ. ^[52] На конференции Ньюэлл и Саймон дебютировали с « теоретиком логики », и Маккарти убедил участников принять «искусственный интеллект» как название области. ^[53] Конференция в Дартмуте 1956 года была моментом, когда ИИ получил свое имя, свою миссию, свой первый успех и своих основных игроков, и широко считается рождением ИИ. ^[54] Термин «искусственный интеллект» был выбран Маккарти, чтобы избежать ассоциаций с кибернетикой и связей с влиятельным кибернетиком Норбертом Винером . ^[55]

Золотые годы 1956–1974 [ править ]

Программы, разработанные в годы после Дартмутского семинара, были для большинства людей просто «поразительными»: ^[56] компьютеры решали алгебраические задачи со словами, доказывали теоремы по геометрии и учились говорить по-английски. Мало кто в то время мог поверить, что такое «разумное» поведение машин вообще возможно. ^[57] Исследователи выразили сильный оптимизм в частной беседе и в печати, предсказывая, что полностью интеллектуальная машина будет построена менее чем за 20 лет. ^[58] Государственные агентства, такие как DARPA, вкладывают деньги в новую сферу. ^[59]

Работа [ править ]

В конце 50-х и 60-х было много успешных программ и новых направлений. Среди наиболее влиятельных были следующие:

Рассуждение как поиск [ править ]

Многие ранние программы ИИ использовали один и тот же базовый алгоритм . Чтобы достичь какой-то цели (например, выиграть игру или доказать теорему), они продвигались к ней шаг за шагом (делая ход или дедукцию), как будто пробираясь через лабиринт, возвращаясь в обратный путь всякий раз , когда заходили в тупик. Эта парадигма получила название « рассуждение как поиск ». ^[60]

Основная трудность заключалась в том, что для многих задач количество возможных путей через «лабиринт» было просто астрономическим (ситуация, известная как « комбинаторный взрыв »). Исследователи сократят пространство поиска, используя эвристику или « эмпирические правила », которые устранят те пути, которые вряд ли приведут к решению. ^[61]

Ньюэлл и Саймон попытались уловить общую версию этого алгоритма в программе, названной « General Problem Solver ». ^[62] Другие «поисковые» программы удалось достичь впечатляющих задач , как решение задач в геометрии и алгебры, таких как Герберт Гелернтер «s Геометрия теоремы прувера (1958) и SAINT , написанные Мински студент Джеймс Slagle (1961). ^{[63] В} других программах проводился поиск целей и подцелей для планирования действий, например система STRIPS , разработанная в Стэнфорде для управления поведением своего робота Шейки .^[64]

Естественный язык [ править ]

Важная цель исследований искусственного интеллекта - позволить компьютерам общаться на естественных языках, таких как английский. Первым успехом стала программа Даниэля Боброу « СТУДЕНТ» , которая решала школьные задачи по алгебре. ^[65]

Семантическая сеть представляет понятия (например , «дом», «дверь») в качестве узлов и отношений между понятиями (например , «есть-а») в качестве связей между узлами. Первая программа AI использовать семантическую сеть была написана Росс Quillian ^[66] и наиболее успешно (и спорный) версия была Роджер Schank «s теория Концептуальная зависимость . ^[67]

Вейценбаум «s Элиза может проводить беседы , которые были настолько реалистичными , что пользователи иногда были обмануты, думая , что они общались с человеком , а не программой. Но на самом деле ЭЛИЗА понятия не имела, о чем говорила. Она просто давала шаблонный ответ или повторяла то, что ей сказали, перефразируя свой ответ с помощью нескольких грамматических правил. ELIZA была первым чаттер-ботом . ^[68]

Микромиры [ править ]

В конце 60-х Марвин Мински и Сеймур Паперт из Лаборатории ИИ Массачусетского технологического института предложили, чтобы исследования ИИ были сосредоточены на искусственно простых ситуациях, известных как микромиры. Они отметили, что в успешных науках, таких как физика, основные принципы часто лучше всего понимаются с помощью упрощенных моделей, таких как плоскости без трения или абсолютно твердые тела. Большая часть исследований была сосредоточена на « мире блоков », который состоит из разноцветных блоков различной формы и размера, расположенных на плоской поверхности. ^[69]

Эта парадигма привела к инновационной работе в системах машинного зрения по Джеральд Зуссману (который возглавлял команду), Адольфо Гусман , Дэвид Вальц (который изобрел « ограничение распространения »), и особенно Патрик Уинстон . В то же время Мински и Паперт создали манипулятор, который мог складывать блоки, оживляя мир блоков. Венцом микромира программы был Терри Винограда «s SHRDLU . Он мог общаться обычными английскими предложениями, планировать операции и выполнять их. ^[70]

Оптимизм [ править ]

Первое поколение исследователей ИИ сделало следующие прогнозы о своей работе:

• 1958, Х.А. Саймон и Аллен Ньюэлл : «через десять лет цифровой компьютер станет чемпионом мира по шахматам» и «через десять лет цифровой компьютер откроет и докажет новую важную математическую теорему». ^[71]
• 1965, Х.А. Саймон : «В течение двадцати лет машины будут способны выполнять любую работу, которую может выполнять человек». ^[72]
• 1967, Марвин Мински : «В течение одного поколения ... проблема создания« искусственного интеллекта »будет существенно решена». ^[73]
• 1970, Марвин Мински (в Life Magazine ): «Через три-восемь лет у нас будет машина с общим интеллектом среднего человека». ^[74]

Деньги [ править ]

В июне 1963 года Массачусетский технологический институт получил грант в размере 2,2 миллиона долларов от недавно созданного Агентства перспективных исследовательских проектов (позже известного как DARPA ). Деньги были использованы для финансирования проекта MAC, который включил в себя «AI Group», основанную Мински и Маккарти пятью годами ранее. DARPA продолжало предоставлять три миллиона долларов в год до 70-х годов. ^[75] DARPA предоставило аналогичные гранты программе Ньюэлла и Саймона в CMU и Стэнфордскому проекту искусственного интеллекта (основанному Джоном Маккарти в 1963 году). ^[76]Другим важным лабораторным AI была основана в Эдинбургском университете по Дональду Мичи в 1965 г. ^[77] Эти четыре учреждения будут по- прежнему являются основными центрами исследований ИИ (и финансирование) в научных кругах на протяжении многих лет. ^[78]

Деньги были предложены с небольшими условиями: JCR Licklider , тогдашний директор ARPA , считал, что его организация должна «финансировать людей, а не проекты!» и позволил исследователям следовать любым интересующим их направлениям. ^[79] Это создало столкнувшихся атмосферу в MIT , которая породила в хакерской культуре , ^[80] , но это «руки прочь» подход не будет последним.

Робототехника [ править ]

В Японии, Университет Васэда инициировал проект WABOT в 1967 году, а в 1972 году закончил WABOT-1, первый в мире полномасштабную интеллектуальный робот - гуманоид , ^{[81] [82]} или андроид . Его система управления конечностями позволяла ему ходить нижними конечностями, а также захватывать и транспортировать предметы руками с помощью тактильных датчиков. Его система зрения позволяла измерять расстояния и направления до объектов с помощью внешних рецепторов, искусственных глаз и ушей. А его система разговора позволяла ему общаться с человеком на японском языке с искусственным ртом. ^{[83] [84] [85]}

Первый ИИ зимой 1974–1980 гг. [ Править ]

В 1970-х AI подвергался критике и финансовым неудачам. Исследователи искусственного интеллекта не смогли оценить сложность проблем, с которыми они столкнулись. Их огромный оптимизм породил невероятно высокие ожидания, и когда обещанные результаты не оправдались, финансирование ИИ исчезло. ^[86] В то же время, поле коннекционизма (или нейронных сетей ) была закрыта почти полностью в течение 10 лет Марвин Мински «s разрушительной критики в персептронов . ^[87] Несмотря на трудности с общественным восприятием ИИ в конце 70-х, новые идеи были изучены в логическом программировании , здравом смысле.и многие другие направления. ^[88]

Проблемы [ править ]

В начале семидесятых возможности программ ИИ были ограничены. Даже самые впечатляющие могли справиться только с тривиальными версиями задач, которые они должны были решить; все программы были в каком-то смысле «игрушками». ^[89] Исследователи ИИ начали сталкиваться с несколькими фундаментальными ограничениями, которые не могли быть преодолены в 1970-х годах. Хотя некоторые из этих ограничений будут преодолены в последующие десятилетия, другие все еще блокируют поле деятельности по сей день. ^[90]

• Ограниченная мощность компьютера : не хватало памяти или скорости обработки для выполнения чего-либо действительно полезного. Например, успешная работа Росса Куиллиана над естественным языком была продемонстрирована с использованием словарного запаса всего из двадцати слов, потому что это все, что поместилось в памяти. ^[91] Ханс Моравец утверждал в 1976 году, что компьютеры все еще в миллионы раз слишком слабы, чтобы проявлять интеллект. Он предложил аналогию: искусственный интеллект требует мощности компьютера точно так же, как самолету требуется мощность в лошадиных силах . Ниже определенного порога это невозможно, но по мере увеличения мощности в конечном итоге это может стать легким. ^[92]Что касается компьютерного зрения, Моравек подсчитал, что для простого сопоставления границ и возможностей обнаружения движения сетчатки глаза человека в реальном времени потребуется универсальный компьютер, способный выполнять 10 ⁹ операций в секунду (1000 MIPS). ^[93] По состоянию на 2011 год для практических приложений компьютерного зрения требуется от 10 000 до 1 000 000 MIPS. Для сравнения: самый быстрый суперкомпьютер в 1976 году, Cray-1 (который продавался по цене от 5 до 8 миллионов долларов), имел скорость только от 80 до 130 MIPS, а типичный настольный компьютер в то время достигал менее 1 MIPS.
• Несговорчивость и комбинаторный взрыв . В 1972 году Ричард Карп (основанный на теореме Стивена Кука 1971 года) показал, что существует множество проблем, которые, вероятно, могут быть решены только за экспоненциальное время (в зависимости от размера входных данных). Поиск оптимальных решений этих проблем требует невообразимого количества компьютерного времени, за исключением тех случаев, когда проблемы тривиальны. Это почти наверняка означало, что многие из «игрушечных» решений, используемых ИИ, вероятно, никогда не превратятся в полезные системы. ^[94]
• Здравый смысл и рассуждения . Многие важные приложения искусственного интеллекта, такие как зрение или естественный язык, требуют просто огромного количества информации о мире: программа должна иметь некоторое представление о том, на что она может смотреть или о чем говорит. Для этого необходимо, чтобы программа знала о мире почти то же самое, что и ребенок. Вскоре исследователи обнаружили, что это действительно огромный объем информации. Никто в 1970 году не мог построить такую ​​большую базу данных, и никто не знал, как программа может получить такой объем информации. ^[95]
• Парадокс Моравека : доказывать теоремы и решать геометрические задачи для компьютеров сравнительно легко, но такая якобы простая задача, как распознать лицо или пересечь комнату, не натыкаясь ни на что, чрезвычайно сложна. Это помогает объяснить, почемук середине 1970-х годовисследования в области зрения и робототехники не продвинулись так далеко. ^[96]
• В каркасные и проблемы квалификации . Исследователи ИИ (такие как Джон Маккарти ), которые использовали логику, обнаружили, что они не могут представить обычные выводы, включающие планирование или рассуждения по умолчанию, без внесения изменений в структуру самой логики. Они разработали новую логику (например, немонотонную логику и модальную логику ), чтобы попытаться решить проблемы. ^[97]

Окончание финансирования [ править ]

Агентства, которые финансировали исследования ИИ (например, британское правительство , DARPA и NRC ), были разочарованы отсутствием прогресса и в конечном итоге прекратили почти все финансирование ненаправленных исследований в области ИИ. Эта модель зародилась еще в 1966 году, когда появился отчет ALPAC, в котором критиковался машинный перевод. Потратив 20 миллионов долларов, NRC прекратил всякую поддержку. ^[98] В 1973 году в отчете Лайтхилла о состоянии исследований ИИ в Англии критиковалась полная неспособность ИИ достичь своих «грандиозных целей», что привело к прекращению исследований ИИ в этой стране. ^[99] (В отчете конкретно упоминаетсяпроблема комбинаторного взрыва как причина неудач ИИ.) ^[100] DARPA было глубоко разочаровано исследователями, работающими над программой исследования понимания речи в CMU, и отменило ежегодный грант в размере трех миллионов долларов. ^[101] К 1974 г. было трудно найти финансирование для проектов ИИ.

Ханс Моравец объяснил кризис нереалистичными прогнозами своих коллег. «Многие исследователи попали в сеть растущих преувеличений». ^[102] Однако возникла и другая проблема: с момента принятия Поправки Мэнсфилда в 1969 году DARPA испытывало растущее давление с целью финансирования «целенаправленных прямых исследований, а не фундаментальных ненаправленных исследований». Финансирование творческих, свободных исследований, начавшихся в 60-е годы, не поступало от DARPA . Вместо этого деньги были направлены на конкретные проекты с четкими целями, такие как автономные танки и системы управления боем. ^[103]

Критика со всего кампуса [ править ]

Некоторые философы категорически возражали против заявлений исследователей ИИ. Одним из первых был Джон Лукас , который утверждал, что теорема Гёделя о неполноте показывает, что формальная система (например, компьютерная программа) никогда не может видеть истинность определенных утверждений, в то время как человек может. ^[104] Хуберт Дрейфус высмеивал невыполненные обещания 1960-х и критиковал предположения ИИ, утверждая, что человеческое мышление на самом деле включает очень мало «обработки символов» и большое количество воплощенных , инстинктивных , бессознательных « ноу-хау ». ^{[105] [106]} Сёрла «s Chinese RoomАргумент, представленный в 1980 году, попытался показать, что нельзя сказать, что программа «понимает» символы, которые она использует (качество, называемое « интенциональностью »). Сирл утверждал, что если символы не имеют значения для машины, то машину нельзя назвать «думающей». ^[107]

Эти критические замечания не воспринимались серьезно исследователями ИИ, часто потому, что они казались далекими от сути. Такие проблемы, как несговорчивость и здравый смысл, казались гораздо более серьезными и серьезными. Было неясно, какая разница между « ноу-хау » или « преднамеренностью » в реальной компьютерной программе. Мински сказал о Дрейфусе и Сирле, что «они неправильно понимают, и их следует игнорировать». ^[108] Дрейфус, преподававший в Массачусетском технологическом институте , был холоден: позже он сказал, что исследователи ИИ «не осмелились быть замеченными за обедом со мной». ^[109] Йозеф Вайценбаум , автор ELIZA , чувствовал, что его коллеги 'лечениеДрейфус был непрофессиональным и ребячливым. Хотя он был откровенным критиком позиции Дрейфуса, он «сознательно дал понять, что их позиция - не способ обращения с человеком». ^[110]

У Вайценбаума возникли серьезные этические сомнения в отношении ИИ, когда Кеннет Колби написал «компьютерную программу, которая может вести психотерапевтический диалог» на основе ELIZA. ^[111] Вайценбаум был обеспокоен тем, что Колби видел в бессмысленной программе серьезный терапевтический инструмент. Началась вражда, и ситуация не улучшилась, когда Колби не поверил Вайценбауму за его вклад в программу. В 1976 году Вайценбаум опубликовал « Компьютерные возможности и человеческий разум», в которых утверждалось, что неправильное использование искусственного интеллекта может обесценить человеческую жизнь. ^[112]

Персептроны и атака на коннекционизм [ править ]

Персептрон был формой нейронной сети , введенной в 1958 году Розенблатт , который был одноклассник из Марвин Мински в Бронкс средней школы науки . Как и большинство исследователей искусственного интеллекта, он с оптимизмом смотрел на их возможности, предсказывая, что «перцептрон со временем сможет учиться, принимать решения и переводить языки». Активная программа исследований этой парадигмы проводилась на протяжении 1960-х годов, но внезапно прекратилась с публикацией книги Мински и Паперта 1969 года « Персептроны» . Он предполагал, что существуют серьезные ограничения на то, что могут делать перцептроны, и что Фрэнк Розенблаттпрогнозы России были сильно преувеличены. Эффект книги был разрушительным: практически нет исследований на все были сделано в коннекционизме в течение 10 лет. В конце концов новое поколение исследователей возродит эту область, и после этого она станет жизненно важной и полезной частью искусственного интеллекта. Розенблатт не дожил бы до этого, так как он погиб в катастрофе вскоре после публикации книги. ^[87]

«Изящные»: логика и символические рассуждения [ править ]

Логика была введена в исследования ИИ еще в 1959 году Джоном Маккарти в его предложении для консультантов . ^[113] В 1963 году Дж. Алан Робинсон открыл простой метод реализации дедукции на компьютерах - алгоритм разрешения и унификации . Однако простые реализации, подобные тем, которые пытались осуществить Маккарти и его ученики в конце 1960-х годов, были особенно трудноразрешимыми: программы требовали астрономического числа шагов для доказательства простых теорем. ^[114] Более плодотворный подход к логике был разработан в 1970-х годах Робертом Ковальски в Эдинбургском университете., и вскоре это привело к сотрудничеству с французскими исследователями Аленом Колмерауэром и Филиппом Русселем, которые создали успешный язык логического программирования Prolog . ^[115] Пролог использует подмножество логики ( предложения Хорна , тесно связанные с «правилами» и « производственными правилами »), которые допускают гибкие вычисления. Правила будут продолжать оказывать влияние, обеспечивая основу для Фейгенбаум «s экспертных систем и продолжение работы по Аллен Ньюэлл и Герберт А. Саймон , который привел бы к Взлет и их унифицированные теории познания .^[116]

Критики логического подхода отмечали, как и Дрейфус , что люди редко используют логику при решении проблем. Доказательства этому предоставили эксперименты психологов, таких как Питер Уэйсон , Элеонора Рош , Амос Тверски , Даниэль Канеман и другие. ^[117] Маккарти ответил, что то, что делают люди, не имеет значения. Он утверждал, что на самом деле нужны машины, которые могут решать проблемы, а не машины, которые думают, как люди. ^[118]

"Шляпа": рамки и скрипты [ править ]

Среди критиков подхода Маккарти были его коллеги из Массачусетского технологического института по всей стране . Марвин Мински , Сеймур Паперт и Роджер Шэнк пытались решить такие проблемы, как «понимание истории» и «распознавание объектов», которые требовали, чтобы машина думала как человек. Чтобы использовать обычные понятия, такие как «стул» или «ресторан», им приходилось делать все те же нелогичные предположения, которые обычно делали люди. К сожалению, такие неточные концепции трудно представить в логике. Джеральд Сассман заметил, что «использование точного языка для описания по существу неточных концепций не делает их более точными».^[119] Шанкописали их «антилогические» подходы как « неряшливые » в отличие от « аккуратных » парадигм, используемых Маккарти , Ковальски , Фейгенбаумом , Ньюэллом и Саймоном . ^[120]

В 1975 году в основополагающей статье Мински отметил, что многие из его коллег-«неряшливых» исследователей использовали тот же инструмент: структуру, которая фиксирует все наши здравые предположения о чем-либо. Например, если мы используем понятие птицы, сразу приходит на ум совокупность фактов: мы можем предположить, что она летает, ест червей и так далее. Мы знаем, что эти факты не всегда верны и что выводы, основанные на этих фактах, не будут «логичными», но эти структурированные наборы предположений являются частью контекста всего, что мы говорим и думаем. Он назвал эти конструкции « фреймами ». Шенк использовал версию фреймов, которую он назвал « скриптами».«чтобы успешно отвечать на вопросы о коротких рассказах на английском языке. ^[121] Много лет спустя объектно-ориентированное программирование перенимает основную идею« наследования »из исследований ИИ фреймов.

Бум 1980–1987 [ править ]

В 1980-х годах форма программы ИИ, называемая « экспертными системами », была принята корпорациями по всему миру, и знания стали центром основных исследований ИИ. В те же годы правительство Японии активно финансировало ИИ в рамках своего компьютерного проекта пятого поколения . Еще одним обнадеживающим событием начала 1980-х годов стало возрождение коннекционизма в творчестве Джона Хопфилда и Дэвида Румелхарта . И снова ИИ добился успеха. ^[122]

Рост экспертных систем [ править ]

Экспертная система представляет собой программу , которая отвечает на вопросы или проблемы решает о конкретной области знаний, используя логические правила , которые вытекают из знаний экспертов. Самые ранние образцы были разработаны Эдвардом Фейгенбаумом и его учениками. Dendral , начатый в 1965 году, идентифицировал соединения по показаниям спектрометра. MYCIN , разработанный в 1972 году, позволяет диагностировать инфекционные заболевания крови. Они продемонстрировали реализуемость подхода. ^[123]

Экспертные системы ограничивались небольшой областью конкретных знаний (таким образом, избегая проблемы здравого смысла ), а их простой дизайн позволял относительно легко создавать программы, а затем изменять их после того, как они были созданы. В общем, программы оказались полезными : то, чего ИИ не мог достичь до этого момента. ^[124]

В 1980 году в CMU для Digital Equipment Corporation была завершена разработка экспертной системы под названием XCON . Это был колоссальный успех: к 1986 году он экономил компании 40 миллионов долларов в год. ^[125] Корпорации по всему миру начали разрабатывать и развертывать экспертные системы, и к 1985 году они тратили более миллиарда долларов на ИИ, большая часть из которых была направлена ​​на -домашние отделы ИИ. Для их поддержки выросла отрасль, включая компании-производители оборудования, такие как Symbolics и Lisp Machines, и компании-разработчики программного обеспечения, такие как IntelliCorp и Aion . ^[126]

Революция знаний [ править ]

Сила экспертных систем основана на содержащихся в них экспертных знаниях. Они были частью нового направления в исследованиях искусственного интеллекта, которое набирало силу на протяжении 70-х годов. «Исследователи ИИ начали подозревать - неохотно, поскольку это нарушало научный канон бережливости, - что интеллект вполне может быть основан на способности использовать большие объемы разнообразных знаний разными способами», ^[127] пишет Памела МакКордак . «Великий урок 1970-х годов заключался в том, что разумное поведение во многом зависит от работы со знанием, иногда довольно подробным знанием области, в которой лежит данная задача». ^[128] Система , основанная на знаниях и инженерные знания стали одним из основных направлений исследований ИИ в 1980 - х годах.^[129]

В 1980-е годы также родился Cyc , первая попытка напрямую взяться за решение проблемы здравого смысла , создав огромную базу данных, которая будет содержать все повседневные факты, известные среднему человеку. Дуглас Ленат , начавший и возглавлявший проект, утверждал, что короткого пути нет - единственный способ для машин узнать значение человеческих концепций - обучить их, по одной концепции, вручную. Ожидается, что проект не будет завершен в течение многих десятилетий. ^[130]

Шахматные программы HiTech и Deep Thought победили мастеров игры в шахматы в 1989 году. Оба они были разработаны Университетом Карнеги-Меллона ; Разработка Deep Thought проложила путь для Deep Blue . ^[131]

Деньги возвращаются: проект «Пятое поколение» [ править ]

В 1981 году министерство международной торговли и промышленности Японии выделило 850 миллионов долларов на компьютерный проект пятого поколения . Их цель заключалась в написании программ и создании машин, которые могли бы вести разговоры, переводить языки, интерпретировать изображения и рассуждать, как люди. ^[132] К большому огорчению неряшливых , они выбрали Пролог в качестве основного компьютерного языка для проекта. ^[133]

Другие страны ответили собственными новыми программами. Великобритания начала проект Алви стоимостью 350 миллионов фунтов стерлингов . Консорциум американских компаний сформировал Корпорацию микроэлектроники и компьютерных технологий (или «MCC») для финансирования крупномасштабных проектов в области ИИ и информационных технологий. ^{[134] [135]} DARPA также отреагировало, основав стратегическую вычислительную инициативу и утроив свои инвестиции в ИИ в период с 1984 по 1988 год. ^[136]

Возрождение коннекционизма [ править ]

В 1982 году физик Джон Хопфилд смог доказать, что форма нейронной сети (теперь называемая « сетью Хопфилда ») может изучать и обрабатывать информацию совершенно новым способом. Примерно в то же время Джеффри Хинтон и Дэвид Румелхарт популяризировали метод обучения нейронных сетей, называемый « обратное распространение », также известный как обратный режим автоматического дифференцирования, опубликованный Сеппо Линнаинмаа (1970) и примененный к нейронным сетям Полом Вербосом . Эти два открытия помогли возродить сферу коннекционизма . ^{[135] [137]}

Новое направление было объединено и вдохновлено появлением в 1986 году « Параллельной распределенной обработки» - двухтомного сборника статей под редакцией Рамелхарта и психолога Джеймса МакКлелланда . Нейронные сети стали бы коммерчески успешными в 1990 - х годах, когда они начали использовать в качестве приводных двигателей программ , как оптическое распознавание символов и распознавание речи . ^{[135] [138]}

Разработка очень крупномасштабной интеграции (СБИС) металл-оксид-полупроводник (МОП) в форме дополнительной технологии МОП ( КМОП ) позволила разработать практическую технологию искусственных нейронных сетей (ИНС) в 1980-х годах. Знаковой публикацией в этой области стала книга Карвера А. Мида и Мохаммеда Исмаила 1989 г. « Реализация нейронных систем« Аналоговая СБИС »» . ^[139]

Бюст: вторая зима AI 1987–1993 [ править ]

В 1980-х годах интерес бизнес-сообщества к ИИ рос и падал по классической схеме экономического пузыря . Крах был вызван восприятием ИИ правительственными агентствами и инвесторами - эта область продолжала развиваться, несмотря на критику. Родни Брукс и Ханс Моравек , исследователи из смежной области робототехники , выступили за совершенно новый подход к искусственному интеллекту.

AI зима [ править ]

Термин « зима искусственного интеллекта » был придуман исследователями, пережившими сокращение финансирования в 1974 году, когда они забеспокоились, что энтузиазм по поводу экспертных систем вышел из-под контроля и что за этим обязательно последует разочарование. ^[140] Их опасения были обоснованными: в конце 1980-х - начале 1990-х годов ИИ потерпел ряд финансовых неудач.

Первым признаком перемены погоды стал внезапный обвал рынка специализированного оборудования для искусственного интеллекта в 1987 году. Настольные компьютеры от Apple и IBM неуклонно набирали скорость и мощность, и в 1987 году они стали более мощными, чем более дорогие машины на Лиспе, производимые компанией Символика и др. Больше не было веских причин для их покупки. Целая индустрия стоимостью полмиллиарда долларов была разрушена в мгновение ока. ^[141]

В конце концов, первые успешные экспертные системы, такие как XCON , оказались слишком дорогими в обслуживании. Их было трудно обновлять, они не могли учиться, они были « хрупкими » (т. Е. Они могли делать гротескные ошибки, когда им давали необычные данные), и они стали жертвами проблем (таких как проблема квалификации ), которые были выявлены годами ранее. Экспертные системы оказались полезными, но только в некоторых особых контекстах. ^[142]

В конце 1980-х годов Стратегическая вычислительная инициатива урезала финансирование ИИ «глубоко и жестоко». Новое руководство DARPA решило, что искусственный интеллект не является «следующей волной», и направило средства на проекты, которые с большей вероятностью приносили немедленные результаты. ^[143]

К 1991 году впечатляющий список целей, поставленных в 1981 году для проекта « Пятое поколение» в Японии, не был достигнут. Действительно, некоторые из них, такие как «вести обычный разговор», не были реализованы к 2010 году. ^[144] Как и в случае с другими проектами ИИ, ожидания были намного выше, чем это было возможно на самом деле. ^[144]

К концу 1993 года более 300 компаний, занимающихся ИИ, закрылись, обанкротились или были приобретены, что фактически положило конец первой коммерческой волне ИИ. ^[145]

Новый AI и воплощенный разум [ править ]

В конце 1980-х несколько исследователей выступили за совершенно новый подход к искусственному интеллекту, основанный на робототехнике. ^[146] Они считали, что для проявления настоящего интеллекта машина должна иметь тело - ей нужно воспринимать, двигаться, выживать и иметь дело с миром. Они утверждали, что эти сенсомоторные навыки необходимы для навыков более высокого уровня, таких как здравый смысл, и что абстрактное мышление на самом деле было наименее интересным или важным человеческим навыком (см . Парадокс Моравека ). Они выступали за построение интеллекта «снизу вверх». ^[147]

Этот подход возродил идеи кибернетики и теории управления , которые были непопулярны с шестидесятых годов. Другим предшественником был Дэвид Марр , который пришел в Массачусетский технологический институт в конце 1970-х, имея успешный опыт теоретической нейробиологии, чтобы возглавить группу, изучающую зрение . Он отверг все символические подходы ( как логику Маккарти, так и фреймы Мински ), утверждая, что ИИ должен понимать физический механизм зрения снизу вверх, прежде чем произойдет какая-либо символическая обработка. (Работа Марра была прервана лейкемией в 1980 г.) ^[148]

В статье 1990 года «Слоны не играют в шахматы» ^[149] исследователь робототехники Родни Брукс прямо нацелился на гипотезу физической системы символов , утверждая, что символы не всегда необходимы, поскольку «мир - это лучшая модель для него самого. всегда точно в актуальном состоянии. В нем всегда есть каждая деталь, которую нужно знать. Уловка состоит в том, чтобы правильно и достаточно часто ощущать это ». ^[150] В 1980-х и 1990-х годах многие учёные-когнитивисты также отвергли модель обработки символов разума и утверждали, что тело необходимо для рассуждений, - теорию, названную тезисом воплощенного разума . ^[151]

AI 1993–2011 [ править ]

Область искусственного интеллекта, которой сейчас более полувека, наконец достигла некоторых из своих старейших целей. Его начали успешно использовать во всей технологической индустрии, хотя и несколько за кадром. Отчасти успех был достигнут за счет увеличения мощности компьютеров, а отчасти за счет сосредоточения внимания на конкретных изолированных проблемах и их решения с соблюдением высочайших стандартов научной ответственности. Тем не менее, репутация ИИ, по крайней мере в деловом мире, была менее чем безупречной. Внутри этой области не было единого мнения о причинах неспособности ИИ осуществить мечту об интеллекте человеческого уровня, которая захватила воображение мира в 1960-х годах. Вместе все эти факторы помогли разделить ИИ на конкурирующие области, ориентированные на конкретные проблемы или подходы.иногда даже под новыми именами, скрывающими запятнанную родословную «искусственного интеллекта».^[152] ИИ был более осторожным и более успешным, чем когда-либо.

Вехи и закон Мура [ править ]

11 мая 1997 года Deep Blue стала первой компьютерной шахматной системой, победившей действующего чемпиона мира по шахматам Гарри Каспарова . ^[153] Суперкомпьютер был специализированной версией платформы, созданной IBM, и был способен обрабатывать вдвое больше движений в секунду, чем во время первого матча (который Deep Blue проиграл), по сообщениям, 200000000 движений в секунду. Мероприятие транслировалось в прямом эфире через Интернет и собрало более 74 миллионов просмотров. ^[154]

В 2005 году Стэнфордский робот выиграл DARPA Grand Challenge , автономно проехав 131 милю по неизученной тропе в пустыне. ^[155] Два года спустя команда из CMU выиграла DARPA Urban Challenge , автономно пройдя 55 миль в городской среде, соблюдая при этом опасности дорожного движения и все правила дорожного движения. ^[156] В феврале 2011 года в опасности! викторины выставки матч, IBM «s вопросно - ответная система , Уотсон , поражение двух величайших Jeopardy! чемпионы, Брэд Раттер и Кен Дженнингс , со значительным отрывом. ^[157]

Эти успехи были вызваны не какой-то революционной новой парадигмой, а в основном утомительным применением инженерных навыков и огромным увеличением скорости и производительности компьютеров к 90-м годам. ^[158] Фактически, компьютер Deep Blue был в 10 миллионов раз быстрее, чем Ferranti Mark 1, который Кристофер Стрейчи научил играть в шахматы в 1951 году. ^[159] Это резкое увеличение измеряется законом Мура , который предсказывает, что скорость и объем памяти компьютеров удваивается каждые два года в результате количества транзисторов металл-оксид-полупроводник (МОП)удваивается каждые два года. Фундаментальная проблема «чистой компьютерной мощности» постепенно решалась.

Интеллектуальные агенты [ править ]

Новая парадигма под названием « интеллектуальные агенты » получила широкое распространение в 1990-х годах. ^[160] Хотя ранние исследователи предложили модульный «разделяй и властвуй» подходы к ИИ, ^[161] интеллектуальный агент не достигнет своей современной формы до Иудейской Перл , Аллен Ньюэлл , Лесли P Каелблинг и другие не принесли понятия из теории принятия решений и экономики в изучение ИИ. ^[162] Когда экономистское определение рационального агента сочеталось с компьютерным определением объекта илимодуль , то интеллектуальный агент парадигма была завершена.

Интеллектуальный агент представляет собой систему , которая воспринимает свою окружающую среду и предпринимает действия , которые максимизируют свои шансы на успех. Согласно этому определению, простые программы, которые решают конкретные проблемы, являются «интеллектуальными агентами», как и люди и организации людей, такие как фирмы . Интеллектуальная парадигма агента определяет исследование искусственного интеллекта как «изучение интеллектуальных агентов». Это обобщение некоторых более ранних определений ИИ: он выходит за рамки изучения человеческого интеллекта; он изучает все виды интеллекта. ^[163]

Эта парадигма дала исследователям лицензию на изучение отдельных проблем и поиск решений, которые можно было бы проверить и которые были полезны. Он предоставил общий язык для описания проблем и обмена их решениями друг с другом, а также с другими областями, которые также использовали концепции абстрактных агентов, такие как экономика и теория управления . Была надежда, что полная агентная архитектура (например , SOAR Ньюэлла ) однажды позволит исследователям создавать более универсальные и интеллектуальные системы из взаимодействующих интеллектуальных агентов . ^{[162] [164]}

«Победа чистоплотных» [ править ]

Исследователи ИИ начали разрабатывать и использовать сложные математические инструменты чаще, чем когда-либо в прошлом. ^[165] Было широко распространено понимание того, что многие проблемы, которые необходимо решить ИИ, уже разрабатываются исследователями в таких областях, как математика , экономика или исследование операций . Общий математический язык позволил как более высокий уровень сотрудничества с более устоявшимися и успешными областями, так и достижение результатов, которые можно было измерить и доказать; ИИ стал более строгой «научной» дисциплиной. Russell & Norvig (2003) описывают это как не что иное, как «революцию» и «победу чистоплотных ». ^{[166] [167]}Ошибка harvtxt: цель отсутствует: CITEREFRussellNorvig2003 ( справка )

Влиятельная книга Джудеи Перла 1988 года ^[168] внесла теорию вероятностей и решений в ИИ. Среди множества новых используемых инструментов были байесовские сети , скрытые марковские модели , теория информации , стохастическое моделирование и классическая оптимизация . Также были разработаны точные математические описания парадигм « вычислительного интеллекта », таких как нейронные сети и эволюционные алгоритмы . ^[166]

AI за кулисами [ править ]

Алгоритмы, первоначально разработанные исследователями искусственного интеллекта, стали появляться как части более крупных систем. Искусственный интеллект решил множество очень сложных проблем ^[169], и их решения оказались полезными для всей технологической отрасли ^[170], такой как интеллектуальный анализ данных , промышленная робототехника , логистика, ^[171] распознавание речи , ^[172] банковское программное обеспечение, ^{[ 173]} медицинский диагноз ^[173] и поисковая система Google . ^[174]

Эти успехи в 1990-х и начале 2000-х годов почти или вообще не были связаны с искусственным интеллектом. Многие из величайших инноваций ИИ были низведены до статуса просто еще одного элемента в арсенале компьютерных наук. ^[175] Ник Бостром объясняет: «Многие передовые технологии ИИ проникли в общие приложения, часто не называемые ИИ, потому что, как только что-то становится достаточно полезным и достаточно распространенным, оно больше не именуется ИИ». ^[176]

Многие исследователи ИИ в 1990-х годах намеренно называли свою работу другими именами, такими как информатика , системы , основанные на знаниях , когнитивные системы или вычислительный интеллект . Отчасти это могло быть связано с тем, что они считали, что их область фундаментально отличается от ИИ, но также новые названия помогают обеспечить финансирование. По крайней мере, в коммерческом мире невыполненные обещания AI Winter продолжали преследовать исследования AI в 2000-е годы, как сообщила New York Times в 2005 году: «Ученые-компьютерщики и инженеры-программисты избегали термина искусственный интеллект, опасаясь, что их сочтут дикими мечтатели ". ^{[177] [178] [179]}

Прогнозы (или «Где HAL 9000?») [ Править ]

В 1968 году Артур Кларк и Стэнли Кубрик вообразили, что к 2001 году будет существовать машина с интеллектом, равным или превосходящим возможности человека. Созданный ими персонаж, HAL 9000 , был основан на убеждении многих ведущих исследователей искусственного интеллекта, что такая машина будет существовать к 2001 году. ^[180]

В 2001 году основатель AI Марвин Мински спросил: «Итак, вопрос в том, почему мы не получили HAL в 2001 году?» ^[181] Мински полагал, что ответ заключается в том, что центральные проблемы, такие как здравый смысл , игнорировались, в то время как большинство исследователей занимались такими вещами, как коммерческое применение нейронных сетей или генетических алгоритмов . Джон Маккарти , с другой стороны, по-прежнему винит проблему квалификации . ^[182] Для Рэя Курцвейла проблема заключается в мощности компьютера, и, используя закон Мура , он предсказал, что к 2029 году появятся машины с интеллектом человеческого уровня. ^[183] Джефф Хокинсутверждал, что исследования нейронных сетей игнорируют основные свойства коры головного мозга человека , предпочитая простые модели, которые успешно решают простые проблемы. ^[184] Было много других объяснений, и для каждого велась соответствующая исследовательская программа.

Глубокое обучение, большие данные и общий искусственный интеллект: 2011 – настоящее время [ править ]

В первые десятилетия 21 века доступ к большим объемам данных (известных как « большие данные »), более дешевые и быстрые компьютеры и передовые методы машинного обучения были успешно применены для решения многих проблем во всей экономике. Фактически, Глобальный институт McKinsey в своей знаменитой статье «Большие данные: следующий рубеж для инноваций, конкуренции и производительности» оценил, что «к 2009 году почти во всех секторах экономики США было в среднем не менее 200 терабайт хранимых данных». .

К 2016 году рынок продуктов, оборудования и программного обеспечения, связанных с ИИ, достиг более 8 миллиардов долларов, и New York Times сообщила, что интерес к ИИ достиг «безумия». ^[185] Приложения больших данных начали проникать и в другие области, такие как модели обучения в экологии ^[186] и для различных приложений в экономике . ^[187] Достижения в области глубокого обучения (особенно глубоких сверточных нейронных сетей и рекуррентных нейронных сетей ) стимулировали прогресс и исследования в области обработки изображений и видео, анализа текста и даже распознавания речи. ^[188]

Глубокое обучение [ править ]

Глубокое обучение - это ветвь машинного обучения, которая моделирует высокоуровневые абстракции данных с помощью глубокого графа с множеством уровней обработки. ^[188] Согласно универсальной аппроксимационной теореме , для нейронной сети необязательна глубина, чтобы аппроксимировать произвольные непрерывные функции. Даже в этом случае существует много общих для неглубоких сетей проблем (таких как переоборудование ), которых помогают избежать глубокие сети. ^[189] Таким образом, глубокие нейронные сети могут реально генерировать гораздо более сложные модели по сравнению с их мелкими аналогами.

Однако у глубокого обучения есть свои проблемы. Распространенной проблемой для рекуррентных нейронных сетей является проблема исчезающего градиента , при которой градиенты, передаваемые между слоями, постепенно сужаются и буквально исчезают, когда они округляются до нуля. Для решения этой проблемы было разработано множество методов, таких как модули долговременной краткосрочной памяти .

Современные архитектуры глубоких нейронных сетей могут иногда даже соперничать с человеческой точностью в таких областях, как компьютерное зрение, особенно в таких вещах, как база данных MNIST и распознавание дорожных знаков. ^[190]

Механизмы обработки языков на базе интеллектуальных поисковых систем могут легко превзойти людей в ответах на общие вопросы (например, IBM Watson ), а недавние разработки в области глубокого обучения дали поразительные результаты в конкуренции с людьми в таких вещах, как Go и Doom (которые, будучи шутер от первого лица игра, вызвала некоторые противоречия). ^{[191] [192] [193] [194]}

Большие данные [ править ]

Под большими данными понимается набор данных, которые невозможно собрать, обработать и обработать с помощью обычных программных инструментов в течение определенного периода времени. Это огромный объем возможностей для принятия решений, анализа и оптимизации процессов, требующих новых моделей обработки. В эпоху больших данных, написанную Виктором Мейером Шонбергом и Кеннетом Куком, большие данные означают, что вместо случайного анализа (выборочного обследования) для анализа используются все данные. Характеристики 5V больших данных (предложенные IBM): объем , скорость , разнообразие ^[195] , ценность ^[196] , достоверность ^[197]. Стратегическое значение технологии больших данных заключается не в освоении огромной информации о данных, а в том, чтобы специализироваться на этих значимых данных. Другими словами, если большие данные уподобить промышленности, ключ к реализации рентабельность в этой отрасли является увеличение « способность процесса » данных и реализовать « добавленную стоимость » данных через « Обработка ».

Общий искусственный интеллект [ править ]

Общий интеллект - это способность решить любую проблему, а не найти решение конкретной проблемы. Общий искусственный интеллект (или «AGI») - это программа, которая может применять интеллект к широкому кругу проблем во многом так же, как и люди.

Бен Гертцель и другие утверждали в начале 2000-х, что исследования ИИ в значительной степени отказались от первоначальной цели создания общего искусственного интеллекта. Исследования AGI были основаны как отдельная область, и к 2010 г. здесь проводились научные конференции, лаборатории и университетские курсы, посвященные исследованиям AGI, а также частные консорциумы и новые компании.

Общий искусственный интеллект также называют «сильным ИИ» ^[198] или «полным ИИ» ^[199], в отличие от « слабого ИИ » или «узкого ИИ». (Академические источники оставляют термин «сильный ИИ» для обозначения машин, способных воспринимать сознание.)

См. Также [ править ]

• Схема искусственного интеллекта
  • Прогресс в искусственном интеллекте
  • Хронология искусственного интеллекта
  • История обработки естественного языка
• Хронология машинного обучения
• История представления знаний и рассуждений

Примечания [ править ]

Ссылки [ править ]