Трещины в Олимпе: Почему "Золотой Век" ИИ столкнулся с реальностью
В прошлой статье мы восхищались первыми триумфами искусственного интеллекта: машины решали логические задачи, обыгрывали людей в шашки, имитировали диалог и управляли роботами в своих маленьких мирах. Казалось, что путь к созданию полноценного машинного разума открыт, и нужно лишь немного больше времени и усилий. Однако наука редко движется по прямой. К началу 70-х годов, несмотря на впечатляющие демонстрации, исследователи ИИ начали сталкиваться с фундаментальными трудностями, которые ставили под сомнение первоначальные оптимистичные прогнозы. Эти проблемы стали первыми трещинами в величественном здании раннего ИИ, предвещая грядущее охлаждение.
──────────────────────────────────────────────────
Часть 3: Первые Трещины в Фундаменте: Нарастающие Трудности (Конец 60-х – начало 70-х)
3.1 "Комбинаторный взрыв": Непреодолимая стена сложности
Одной из первых и самых серьезных преград, с которой столкнулись разработчики ИИ, стала проблема комбинаторного взрыва. Суть ее проста: по мере увеличения сложности задачи количество возможных вариантов или состояний, которые нужно перебрать для нахождения решения, растет экспоненциально (или еще быстрее).
Ранние успехи ИИ часто достигались на относительно простых, "игрушечных" примерах. Logic Theorist работал с ограниченным набором аксиом и теорем. GPS решал хорошо структурированные головоломки. Даже шахматные программы, хотя и работали со сложной игрой, использовали эвристики для "срезания углов". Но когда исследователи попытались применить те же подходы к более реалистичным задачам, они уперлись в стену.
Представьте, что нужно спланировать маршрут для робота в реальной комнате с множеством препятствий или составить расписание для большого предприятия. Количество возможных путей или комбинаций оказывается настолько астрономически огромным, что даже самые мощные компьютеры того времени (которые были несравнимо слабее современных) не могли справиться с перебором за разумное время. Простой перебор (brute force) становился невозможен.
Эвристики, которые помогали в простых случаях, часто оказывались неэффективными или приводили к неоптимальным решениям в сложных ситуациях. Стало ясно, что многие реальные проблемы обладают свойством NP-полноты – то есть, не существует известных быстрых (полиномиальных) алгоритмов для нахождения точного решения. Комбинаторный взрыв показал, что простое масштабирование существующих методов не сработает. Требовались принципиально новые подходы к представлению знаний и поиску решений, которые могли бы эффективно справляться с огромным пространством вариантов. Это стало серьезным вызовом для доминировавшего символьного подхода, основанного во многом на поиске в пространстве состояний.
3.2 Проблема "здравого смысла": Неуловимое знание о мире
Другой фундаментальной трудностью оказалась проблема здравого смысла (common sense reasoning). Выяснилось, что даже самые "умные" программы были поразительно "глупы" в ситуациях, требующих элементарных знаний о мире, которыми обладает любой ребенок.
Человек, решая задачи или понимая язык, постоянно и неосознанно использует огромный багаж фоновых знаний: вода мокрая, веревкой можно тянуть, но не толкать, если уронить стакан – он разобьется, люди не могут быть в двух местах одновременно и так далее. Этих знаний – миллионы фактов, правил, предположений о физическом мире, социальных взаимодействиях, психологии людей.
Попытки формализовать и заложить весь этот "здравый смысл" в компьютерные программы оказались чрезвычайно сложными. Во-первых, этого знания невероятно много. Во-вторых, оно часто неявное, контекстно-зависимое и трудно формализуемое в виде четких логических правил. Как описать машине, что такое "комфорт" или "разочарование"? Как объяснить иронию или сарказм?
Из-за отсутствия здравого смысла ИИ-системы часто демонстрировали хрупкость (brittleness). Они могли прекрасно работать в рамках своей узкой специализации, но полностью "ломались", столкнувшись с непредвиденной ситуацией или вопросом, выходящим за рамки их базы знаний. Например, программа могла понимать фразу "Положи синий кубик на красный", но совершенно терялась, если ее спрашивали "Может ли синий кубик простудиться?". Отсутствие здравого смысла делало невозможным создание по-настоящему гибких и адаптивных систем, способных действовать в сложном и непредсказуемом реальном мире. Это стало еще одним серьезным ударом по амбициям раннего ИИ.
3.3 Иллюзия "микромиров": Ловушка упрощенной реальности
Успехи таких систем, как SHRDLU Терри Винограда (о которой мы говорили в прошлой части), работавшей в мире кубиков, породили надежду, что ключ к ИИ найден. Казалось, достаточно лишь расширить знания программы, добавить больше объектов и правил, и она сможет работать в реальном мире. Однако эта надежда оказалась во многом иллюзорной.
"Микромиры" вроде мира кубиков были удобными тестовыми площадками, но они имели несколько фундаментальных отличий от реального мира:
• Замкнутость: Мир кубиков был полностью описан. В нем не было неожиданных событий, неопределенности или неполной информации. Все объекты и их свойства были известны программе. Реальный мир, напротив, открыт, динамичен и полон сюрпризов.
• Простота: Взаимодействия в микромире были сильно упрощены. Не учитывались трение, инерция, хрупкость материалов, неточность сенсоров и манипуляторов.
• Отсутствие неоднозначности: Язык команд для SHRDLU, хоть и выглядел естественным, интерпретировался в очень ограниченном контексте. В реальном мире язык полон омонимии, метафор, подразумеваемых смыслов.
Когда исследователи попытались перенести подходы, сработавшие в микромирах, на более реалистичные задачи (например, управление роботом в реальной комнате или понимание новостных текстов), они столкнулись с теми же проблемами комбинаторного взрыва и отсутствия здравого смысла. Успех в упрощенной, искусственной среде не гарантировал успеха в сложном реальном мире. Стало понятно, что создание ИИ – это не просто вопрос добавления большего количества правил и фактов; требуются более глубокие изменения в подходах к представлению знаний, обучению и взаимодействию с неопределенной средой.
3.4 Завышенные обещания: Пропасть между словами и делами
Наконец, немалую роль в грядущем разочаровании сыграли и сами пионеры ИИ. В пылу энтузиазма и, отчасти, в борьбе за финансирование, многие из них делали чрезвычайно оптимистичные и часто нереалистичные прогнозы.
• Герберт Саймон в 1957 году предсказывал, что в течение 10 лет компьютер станет чемпионом мира по шахматам, докажет важную новую математическую теорему и напишет музыку, которую критики признают значимой.
• В 1967 году Марвин Минский заявлял: "В пределах одного поколения... проблема создания 'искусственного интеллекта' будет в основном решена".
• В 1970 году он же в интервью журналу Life оценил вероятность появления машины с интеллектом среднего человека "от трех до восьми лет".
Эти и подобные заявления, широко тиражируемые прессой, порождали огромные ожидания у публики и, что важнее, у организаций, финансировавших исследования (в первую очередь, у DARPA). Когда обещанные прорывы не происходили в заявленные сроки, а вместо этого нарастали проблемы (комбинаторный взрыв, здравый смысл), неизбежно возникало разочарование. Разрыв между громкими обещаниями и реальными возможностями технологий становился все более очевидным. Это подрывало доверие к исследователям и создавало почву для скептицизма и критики.
──────────────────────────────────────────────────
Таким образом, к началу 70-х годов первоначальная эйфория вокруг ИИ начала угасать. Фундаментальные проблемы – комбинаторная сложность, нехватка здравого смысла, трудности перехода от микромиров к реальности, а также последствия завышенных ожиданий – стали очевидны. Почва для первой "зимы ИИ" была подготовлена.
Как именно эти нарастающие проблемы и несбывшиеся обещания привели к резкому сокращению финансирования, волне критики и наступлению периода, известного как "первая зима ИИ"? Об этом решающем и отрезвляющем этапе в истории искусственного интеллекта мы поговорим в заключительной части нашей статьи. Оставайтесь с "НейроСферой"!