Обзор подходов и методов Искусственного Интеллекта

Не секрет, что в последние годы вокруг понятия «Искусственный Интеллект» (ИИ) поднялась невообразимая шумиха, которая доносится как из средств массовой информации, так и из деловой среды, в которой что ни день, так открывается новый стартап, основанный на самых современных ИИ-технологиях [Лучкин 2018]. Подогревает эту ситуацию и массовая культура, в которой тема Искусственного Интеллекта тоже стала очень горячей, и сегодня появляется большое количество новых произведений, в которых человеческое общество так или иначе взаимодействует с порождённым (или самозародившимся) искусственным интеллектуальным «существом» [Гибсон 2017; Симмонс 2005].

Шрайк из цикла «Песни Гипериона» Дэна Симмонса.

Впрочем, в киноиндустрии и художественной литературе тема ИИ эксплуатировалась с давних времён. Первые писатели-фантасты уже задумывались об искусственных существах, наделённых разумом и пытающихся либо помогать людям, либо столкнуть человека с пьедестала «царя природы» и «венца творения». Дальше — больше. Серия фильмов про терминаторов, затем красочно-философские фильмы «Матрица» необычайно подогрели интерес к этой теме. Художественная литература тоже не отставала. Если не углубляться, то на поверхности лежат трилогия «Киберпространство» Уильяма Гибсона и сага-тетралогия «Песни Гипериона» Дэна Симмонса. Можно сказать, что только эти два произведения оказали на развитие понимания ИИ у массового читателя больше, чем все остальные книги вместе взятые.

Уильям Гибсон — основоположник жанра «киберпанк».

Вместе с тем отношение в научной и инженерной среде к термину «Искусственный Интеллект» и этому направлению вообще несколько предвзято. Всё дело в так называемых «зимах искусственного интеллекта» [Lighthill 1973], то есть практически полных остановках исследований из-за разочарования пионеров новой науки, которые наступали в истории этого направления дважды. Вместо восторженных надежд наступало горькое осознание того, что человек ещё очень далёк от понимания природы сознания и всех тех особенностей мозга, которые делают человека разумным, интеллектуальным существом. К тому же, ещё двадцать лет назад не было достаточных вычислительных мощностей для реализации всех тех теоретических находок, которые были сделаны в научных лабораториях.

Искусственный Интеллект ждёт своего часа.

Причиной шумихи вокруг Искусственного Интеллекта, начавшейся во втором десятилетии XXI века, как видится, являются два процесса. Во-первых, вычислительные мощности и объём имеющихся в распоряжении человечества в целом вычислительных устройств достигли небывалых размеров, и этот размер имеет тенденцию всё так же увеличиваться по экспоненциальному закону [Moore 2003]. Сегодня количество смартфонов, которые можно связать в грид для распределённых вычислений (причём часто без ведома владельцев), достигло четырёх миллиардов [IHS Markit 2017], а каждый смартфон обладает мощностью, на порядки превышающую мощность тех персональных компьютеров, которые были в распоряжении учёных ещё двадцать пять лет назад.

Искусственный Интеллект — он как естественный, только искусственный.

Во-вторых, выросло, получило образование и начало усердно работать поколение людей, которые застали вторую зиму Искусственного Интеллекта, будучи младенцами. Но сегодня, получив образование намного более серьёзное, чем предшественники, это поколение с удесятерёнными силами ухватилось за старые надежды, не обладая тем скепсисом, который всё ещё имеется у представителей «старой школы». Это одновременно и хорошо, и не очень. Хорошо потому, что, не будучи зашоренными, новые специалисты могут «перепрыгнуть» барьер недоверия, выстроенный вокруг Искусственного Интеллекта. Не очень потому, что многие могут пойти по тем же граблям, что и первые исследователи в середине XX века.

Нас ждёт это будущее, давайте уж готовиться к нему.

Вместе с тем сегодня существует некоторый разрыв в понимании того, что относится к Искусственному Интеллекту, между экспертами в этой области и неспециалистами. Эта статья направлена на сокращение такого разрыва, так что в ней кратко будут описаны подходы к построению искусственных интеллектуальных систем и методы Искусственного Интеллекта, которые для этого используются. Эту статью можно использовать в качестве быстрого базового индекса, в котором можно ознакомиться с кратким описанием подхода или метода и перейти к детальному изучению при помощи предоставленного набора ссылок на более конкретную литературу.

Подходы

Несмотря на то, что о природе сознания размышляли ещё в Древней Греции, а попытки создать искусственное разумное существо предпринимались средневековыми алхимиками, развитие наук об искусственном интеллекте началось после получения первых знаковых результатов в области вычислительной техники и связи. Тогда стало понятно, что базой для искусственного интеллекта могут стать универсальные компьютеры, либо иные вычислительные устройства, которые позволяли реализовать базовые правила формальной логики. Стартом этой интересной дисциплины можно считать публикацию Аланом Тьюрингом статьи «Вычислительные машины и разум» в 1950 году [Turing 1950]. Он же определил один из подходов к пониманию искусственного интеллекта — интуитивный.

В целом выделяются следующие подходы, которые имеет смысл рассмотреть более подробно:

• интуитивный;
• символьный;
• логический;
• структурный;
• квазибиологический;
• эволюционный;
• агентный.

Интуитивный подход основан на идее о том, что разумный человек может интуитивно понять, какой из объектов, с которым ему приходится взаимодействовать, обладает разумом, а какой не обладает [Пенроуз 2005]. Эта идея и лежит в основе так называемого «теста Тьюринга», который направлен на выяснение того, может ли искусственная система мыслить или является ли она разумной, интеллектуальной в общем понимании этого смысла. Проблема в том, что сама основополагающая идея достаточно слаба — интуиция человека очень часто даёт сбои и в менее сложных вопросах [Lucas 2002]. А вопрос о наличии разума у внешнего объекта в общем виде неразрешим — достаточно провести мысленный эксперимент «философский зомби», чтобы понять это [Васильев 2009].

В целом процедура «тест Тьюринга» видится бесполезной. Если понимать искусственную интеллектуальную систему (ИИ-систему) как узконаправленный инструмент для решения конкретной задачи (например, робот-пылесос, автономный автомобиль), то такой ИИ-систем не нужно проходить тест Тьюринга, так как она для его прохождения и не предназначена. Если же рассматривать ИИ-систему в качестве системы с общим уровнем интеллекта, то здесь исследователи могут столкнуться с таким парадоксом. Будучи самостоятельным самосознающим искусственным существом с собственными мотивами, такая ИИ-система может специально не пройти тест Тьюринга, чтобы не выдать исследующим её людям своих способностей [Searle 1980].

Тест Тьюринга — в целом бесполезная процедура.

Следующий подход — символьный, и он основан на так называемой гипотезе Ньюэлла-Саймона [Рассел 2007]. Она гласит, что любая физическая символьная система имеет необходимые и достаточные средства для произведения базовых интеллектуальных действий, в широком смысле. Это значит, что если физическая система, будь то компьютер или человек, реализует символьные вычисления, то такая система имеет всё необходимое и достаточное для того, чтобы быть интеллектуальной. Другими словами, без символьных вычислений невозможно выполнять осмысленные действия, а способность выполнять символьные вычисления вполне достаточна для того, чтобы стать способным выполнять осмысленные действия.

Рядом с символьным располагается логический подход, который основан на формальной логике [Братко 2004]. Предполагается, что законы формальной логики являются универсальными, и, соответственно, способ мышления, основанный на логике, также может быть универсальным. Следовательно, реализация логических правил в ИИ-системе может сделать её интеллектуальной. Впрочем, это всего лишь необходимое условие. Система, обладающая разумом, будет использовать законы формальной логики. Но если какая-либо система действует по этим законам, это не значит, что она интеллектуальна. Например, работа карманного калькулятора основана строго на законах логики, но сложно согласиться с тем, что он обладает интеллектом [Hauser 1993].

Нечёткая логика — апологетика логического и символьного подходов.

Структурный подход или коннекционизм исходит из понимания, что интеллект и сознание являются функциями от сложности сети взаимосвязанных и взаимодействующих базовых элементов некоторой природы [Marcus 2001]. В частности, нервная система человека состоит из большого количества нейронов и ряда других специальных системообразующих клеток, то основой структурного подхода являются искусственные нейронные сети различной конфигурации и архитектуры, в том числе с использованием различных моделей искусственных нейронов [Каллан 2001].

Искусственная нейронная сеть — основной метод структурализма.

Квазибиологический подход или одним словом «биокомпьютинг» — это отдельное направление, сосредоточенное на проектировании, разработке и использовании вычислительных систем, которые работают как живые организмы или содержат биокомпоненты [Емельянов-Ярославский 1990]. Этот подход основан на следующем понимании человеческой природы и интеллекта — организм человека представляет собой сложную биологическую систему, в которой происходят разнообразные биохимические и психологические процессы. Соответственно, феномены человеческого поведения, способность человека к обучению и адаптации, интеллект и разум являются следствием биологической структуры и особенностей её функционирования [Conrad 2000].

Биокомпьютинг — вычислительная модель, основанная на химических реакциях.

Эволюционный подход основан на использовании принципов эволюции и естественного отбора в применении к ИИ-системам [Емельянов 2003]. Но можно ли как-то ускорить естественный отбор и вывести искусственное разумное существо за более обозримый срок, чем миллиарды лет естественной эволюции на Земле? Попытки ответа на этот вопрос и привели к возникновению эволюционного подхода в Искусственном Интеллекте. Так что искусственная эволюция — это процесс развития технической системы, сопровождающийся изменением её генетической информации для формирования адаптаций. Под генетической информацией ИИ-системы понимается набор характеристик, которые можно использовать в рамках наследования. На вход эволюционным алгоритмам подаётся первичная популяция ИИ-систем, а на выходе должны появиться особи, которые наиболее близко подходят для решения поставленной задачи [Курейчик 2006].

Искусственная эволюция — шаг к искусственной жизни.

Наконец, агентный подход начал прорабатываться с конца XX века, и его суть довольно проста. Вместо того, чтобы пытаться формализовать такие сложные понятия, как «разум» и «интеллект», надо формализовать нечто более простое и практически полезное — понятие «рациональность» или «рациональное поведение». В общем виде, рациональное поведение сводится к решению минимаксной задачи — максимизировать значение некоторой целевой функции при минимизации затрат ресурсов на это. И, собственно, рациональный агент — это кибернетическая машина, которая имеет систему управления, непрерывно получающую информацию с сенсорных устройств и воздействующую на окружающую среду при помощи исполнительных устройств, показывая при этом рациональное поведение. Рациональные агенты — это и есть ИИ-системы нового поколения [Зайцев 2008].

Муравейник в лесу — яркий пример многоагентной системы с зачатками роевого интеллекта.

Перечисленные подходы можно разделить на три группы. В первую группу попадут интуитивный, символьный и логический подходы, которые составляют так называемую нисходящую или «чистую» парадигму искусственного интеллекта. Она заключается в папытках смоделировать высшие психологические функции и тем самым достичь искусственного разума. С другой стороны, восходящая или «грязная» парадигма объединяет структурный, квазибиологический и эволюционный подходы, и она пытается достичь того же через моделирование базовых структур и повышения их сложности [Nilsson 1998]. Наконец, слияние этих парадигм так, чтобы из каждой взять лучшие стороны и отвергнуть негативные аспекты, составляют гибридную парадигму, и агентный подход наиболее часто используется в рамках неё [Душкин 2018].

Классификатор парадигм и подходов к построению ИИ-систем.

Методы

Перейдём к методам. В рамках исследований и разработок ИИ-систем используется большое количество методов, некоторые из самых интересных и значимых имеет смысл рассмотреть более детально. К таким методам отнесём следующие:

• поиск в пространстве состояний;
• обработка естественного языка;
• представление знаний;
• экспертные системы и системы поддержки принятия решений;
• машинное обучение и искусственные нейронные сети;
• генетические алгоритмы;
• многоагентные системы.

Можно очень кратко пройтись по определениям и применению каждого из этих методов.

Поиск в пространстве состояний — это, в принципе, не ИИ-технология, но тот или иной вид поиска всегда лежит в основе всех остальных технологий и методов искусственного интеллекта, поэтому очень важно знать, какие методы поиска существуют, почему все они сводятся к поиску в пространстве состояний ИИ-системы и, в конечном итоге с математической точки зрения, к поиску на графе. И, самое главное, каким образом ИИ-системы могут для этого применять разного рода эвристики [Edelkamp 2012].

Обработка естественного языка — не менее важная фундаментальная технология, которая позволяет ИИ-системам общаться с пользователями на обычном языке даже при помощи голоса [Bates 1995]. Это важно в том числе и потому, что пользователями ИИ-систем всё чаще и чаще становятся люди, далёкие от программирования. Существует большое количество конкретных методов обработки естественного языка, однако до конца эта задача не решена до сих пор: ИИ-системы сложно понимают устную или письменную речь человека, хотя в последнее время в этом направлении сделаны существенные прорывы [Попов 1982].

В ИИ-системах, основанных на знаниях, используются различные формализмы для представления знаний. Сегодня существует несколько таких методов, довольно универсальных, которые в той или иной мере отражают возможности людей по описанию своих знаний. Более того, с момента создания первых систем, основанных на знании, к настоящему моменту разработано большое количество математических методов, позволяющих справляться с так называемыми НЕ-факторами знания — неполнотой, недостоверностью, неопределённостью, неточностью, нечёткостью и многими другими, что делает ИИ-системы способными действовать и принимать решения в условиях неопределённости, как это делает человек [Душкин 2011].

Так вот чуть ли не главным классов систем, основанных на знаниях, являются экспертные системы [Джексон 2001], которые, в свою очередь, часто составляют собой ядро различного рода систем поддержки принятия решений [Ларичев 1997]. Экспертные системы содержат в себе базу знаний в какой-либо проблемной области, в которой собраны (и для динамических систем постоянно актуализируются) знания экспертов, позволяющие принимать обоснованные решения. Такие решения готовятся на основе логического вывода в рамках работы универсальной машины вывода на основе имеющихся знаний и наличествующих фактов. А системы поддержки принятия решений сегодня широко используются для подготовки и обоснования решений в сложных ситуациях, требующих быстрого реагирования, либо в ситуациях, когда естественный интеллект человека не может справиться с объёмом и многообразием данных.

В настоящее время наиболее востребованными и широко используемыми являются различные методы машинного обучения [Флах 2015] и, в частности, искусственные нейронные сети [Николенко 2018]. Фактически, эти методы решают несколько конкретных задач — аппроксимация функций, классификация, кластеризация, снижение размерности и некоторые другие. Если какая-либо задача сводится к какой-либо из базовых для машинного обучения, то её можно успешно и достаточно эффективно решать этими методами. Проблема в том, что результаты, выдаваемые этими методами, сложно интерпретируются и, как следствие, их сложно объяснить. Это реальная проблема, но, к сожалению, большинство методов восходящей парадигмы обладают именно этим изъяном.

В рамках эволюционного подхода наиболее широко распространёнными являются генетические алгоритмы [Рутковская 2008]. Фактически, это метод оптимизации, который позволяет эвристически найти глобальный экстремум мультимодальной, нелинейной, недифференцируемой функции от многих переменных. Для его использования параметры задачи представляются в виде набора генов, затем к ним применяется процесс искусственного отбора. Очень интересно применять генетические алгоритмы для «выращивания» ИИ-систем, призванных оптимально работать в заданной окружающей среде для достижения поставленной цели.

Наконец, многоагентные системы [Тарасов 2002] являются главным представителем агентного подхода. Это интеллектуальные системы, состоящие из большого количества взаимодействующих агентов различной природы, среди которых могут быть обычные технические системы, ИИ-системы и даже люди со своим естественным интеллектом. Главная особенность — агенты в какой-то мере автономны в принятии решений, но вся система в целом решает задачу и достигает цель, которая недоступна для каждого агента в отдельности. И сегодня это одно из самых «горячих» направления искусственного интеллекта.

Искусственный Интеллект грядёт, и Алан Тьюринг пророк его.

Заключение

Таким образом, можно с уверенностью констатировать, что сегодня междисциплинарное направление «Искусственный Интеллект» является довольно развитым и методически наполненным. Существует большое количество подходов и методов для построения ИИ-систем. Причём разные подходы часто являются как конкурирующими, так и взаимодополняющими, в то же самое время методы искусственного интеллекта чаще всего можно использовать для взаимного усиления. Сегодня наиболее часто говорится о разработке ИИ-систем для решения конкретных узкоспециализированных задач, нежели о создании «искусственного интеллекта общего уровня», под которым понимается искусственное разумное существо с самосознанием. Всё это позволяет говорить о том, что при принятии решения об использовании в тех или иных проектах методов искусственного интеллекта, руководитель должен руководствоваться широким знанием о том, какие методы существуют и используются, а не следовать мнению, нагнетаемому через массовую культуру и средства массовой информации.

Литература

• Bates M (1995). Models of natural language understanding. Proceedings of the National Academy of Sciences of the United States of America. 92 (22): 9977–9982. doi:10.1073/pnas.92.22.9977. PMC 40721.
• Conrad, M., Zauner, K. P. (2000) Molecular Computing with Artificial Neurons. Communications of the Korea Information Science Society, 18 (8). pp. 78-89.
• Edelkamp S., Schrödl S. Heuristic search: theory and applications. — Morgan Kaufmann Publishers, 2012. — 712 с. — ISBN 978-0-12-372512-7.
• Hauser L. Why isn't my pocket calculator a thinking thing? // Mind Mach (1993) 3: 3. https://doi.org/10.1007/BF00974301.
• Lighthill J. (1973): Artificial Intelligence: A General Survey // Artificial Intelligence: a paper symposium, Science Research Council.
• Lucas J. The Godelian Argument (англ.) // The Truth Journal: журнал. — 2002.
• Marcus G. F. (2001). The Algebraic Mind: Integrating Connectionism and Cognitive Science (Learning, Development, and Conceptual Change), Cambridge, MA: MIT Press.
• Moore G. E. No Exponential is Forever: But «Forever» Can Be Delayed! (англ.). International Solid-State Circuits Conference (ISSCC) 2003 / SESSION 1 / PLENARY / 1.1 (2003).
• More than Six Billion Smartphones by 2020, IHS Markit Says // IHS Markit, 18.01.2017. — https://goo.gl/bXpGEk.
• Nilsson, Nils (1998), Artificial Intelligence: A New Synthesis, Morgan Kaufmann Publishers, ISBN 978-1-55860-467-4.
• Searle, J. Minds, brains, and programs // Behavioral and brain sciences. — 1980. — Т. 3, № 3 (September). — P. 417. — DOI:10.1017/S0140525X00005756.
• Turing A. Computing machinery and intelligence // Mind: журнал. — Oxford: Oxford University Press, 1950. — No. 59. — P. 433-460.
• Братко И. Алгоритмы искусственного интеллекта на языке PROLOG = Prolog Programming For Artificial Intelligence. — М.: «Вильямс», 2004. — С. 640. — ISBN 0-201-40375-7.
• Васильев В. В. «Трудная проблема сознания». М.: «Прогресс-Традиция», 2009.
• Гибсон У. Трилогия «Киберпространство». — М: Азбука-Аттикус, 2017. — 960 с. — ISBN 978-5-389-08796-5.
• Джексон П. Введение в экспертные системы = Introduction to Expert Systems. — 3-е изд. — М.: Вильямс, 2001. — С. 624. — ISBN 0-201-87686-8.
• Душкин Р. В. Методы получения, представления и обработки знаний с НЕ-факторами. — 2011. — 115 стр., ил.
• Душкин Р. В. Почему за гибридными ИИ-системами будущее. 2018.
• Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. — М.: Физматлит, 2003. — 432 с. — ISBN 5-9221-0337-7.
• Емельянов-Ярославский Л. Б., Интеллектуальная квазибиологическая система, М., «НАУКА», 1990.
• Зайцев И. М., Федяев О. И. Агентно-ориентированный подход к моделированию интеллектуальных распределённых систем : Сб. — Донецк: ДонНТУ, 2008. — С. 337-338.
• Каллан Р. Основные концепции нейронных сетей = The Essence of Neural Networks First Edition. — М.: Вильямс, 2001. — 288 с. — ISBN 5-8459-0210-X.
• Курейчик В. М., Лебедев Б. К., Лебедев О. К. Поисковая адаптация: теория и практика. — М.: Физматлит, 2006. — 272 с. — ISBN 5-9221-0749-6.
• Ларичев О. И., Петровский А. Б. Системы поддержки принятия решений. Современное состояние и перспективы их развития. // Итоги науки и техники. Сер. Техническая кибернетика. — Т.21. М.: ВИНИТИ, 1987, с. 131—164.
• Лучкин Д., Малков А. Искусственный интеллект изнутри: будни проектов в сфере машинного обучения // VC.ru, 29.01.2018. — https://goo.gl/kdGpX8.
• Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. — СПб.: Питер, 2018. — 480 с. — ISBN 978-5-496-02536-2.
• Рассел С., Норвиг П. Искусственный интеллект: современный подход (AIMA) = Artificial Intelligence: A Modern Approach (AIMA). — 2-е изд. — М.: «Вильямс», 2007. — 1424 с. — 3000 экз. — ISBN 0-13-790395-2.
• Пенроуз Р. Тени разума. В поисках науки о сознании. — Ижевск: Институт компьютерных исследований, 2005. — 688 с.
• Попов Э. В. Общение с ЭВМ на естественном языке. — М.: Наука, 1982.
• Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы = Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. — 2-е изд. — М: Горячая линия-Телеком, 2008. — 452 с. — ISBN 5-93517-103-1.
• Симмонс Д. Тетралогия «Песни Гипериона». — М.: АСТ, 2005. — 976 с. — ISBN 5-17-016546-3.
• Тарасов В. Б. От многоагентных систем к интеллектуальным организациям. — М.: Эдиториал УРСС, 2002. – 352 с.
• Флах П. Машинное обучение. — М.: ДМК Пресс, 2015. — 400 с. — ISBN 978-5-97060-273-7.