Штучний інтелект

Стаття на матеріалах Вікіпедії

Штучний інтелект - розділ інформатики, який вивчає можливість забезпечення розумних міркувань і дій з допомогою обчислювальних систем та інших штучних пристроїв. При цьому в більшості випадків заздалегідь невідомий алгоритм розв'язання задачі.

Точного визначення цієї науки не існує, так як філософії не вирішено питання про природу та статус людського інтелекту. Немає і точного критерію досягнення комп'ютерами «розумності», хоча на зорі штучного інтелекту було запропоновано ряд гіпотез, наприклад, тест Тюрінга або гіпотеза Ньюелла - Саймона. На даний момент є безліч підходів як до розуміння задачі ШІ, так і створення інтелектуальних систем.

Так, одна з класифікацій виділяє два підходи до розробки ШІ:

• спадний, семіотичний - створення символьних систем, моделюючих високорівневі психічні процеси: мислення, міркування, мова, емоції, творчість і т. д.;
• висхідний, біологічний - вивчення нейронних мереж та еволюційні обчислення, моделюючих інтелектуальна поведінка на основі більш дрібних «неінтелектуальних» елементів.

Ця наука пов'язана з психологією, нейрофізіологією, трансгуманизмом та іншими. Як і всі комп'ютерні науки, вона використовує математичний апарат. Особливе значення для неї мають філософія і робототехніка.

Штучний інтелект - дуже молода область досліджень, старт якому був даний в 1956 році. Її історичний шлях нагадує синусоїду, кожен «зліт» якої ініціювалось якоюсь новою ідеєю. Зараз її розвиток перебуває на «спад», поступаючись місцем застосування вже досягнутих результатів в інших галузях науки, промисловості, бізнесі і навіть повсякденному житті.

Підходи до вивчення

Існують різні підходи до побудови систем ШІ. На даний момент можна виділити 4 досить різних підходу:

1. Логічний підхід. Основою для логічного підходу служить Булева алгебра. Кожен програміст знайомий з нею і з логічними операторами з тих пір, коли він освоював оператор IF. Свій подальший розвиток Булева алгебра отримала у вигляді обчислення предикатів - у якому вона розширена за рахунок введення предметних символів, відносин між ними, кванторов існування та загальності. Практично кожна система ШІ, побудована на логічному принципі, являє собою машину докази теорем. При цьому вихідні дані зберігаються в базі даних у вигляді аксіом, правила логічного виводу як відносини між ними. Крім того, кожна така машина має блок генерації мети, і система виведення намагається довести дану мету як теорему. Якщо мета доведена, то трасування застосованих правил дозволяє отримати ланцюжок дій, необхідних для реалізації поставленої мети (така система відома як експертні системи). Потужність такої системи визначається можливостями генератора цілей і машиною докази теорем. Домогтися більшої виразності логічного підходу дозволяє таке порівняно новий напрямок, як нечітка логіка . Основною її відмінністю є те, що правдивість висловлювання може брати в ній крім так/ні (1/0) ще й проміжні значення - не знаю (0.5), пацієнт швидше живий, ніж мертвий (0.75), пацієнт швидше мертвий, ніж живий (0.25). Даний підхід більше схожий на мислення людини, оскільки він на питання рідко відповідає тільки так чи ні.

2. Під структурним підходом ми маємо на увазі тут спроби побудови ІІ шляхом моделювання структури людського мозку. Однією з перших таких спроб був перцептрон Френка Розенблатта. Основний моделюється структурною одиницею в перцептронах (як і в більшості інших варіантів моделювання мозку) є нейрон. Пізніше виникли й інші моделі, які більшості відомі під терміном нейронні мережі (НС). Ці моделі розрізняються за будовою окремих нейронів, по топології зв'язків між ними і за алгоритмами навчання. Серед найбільш відомих варіантів НС можна назвати НС зі зворотним поширенням помилки, мережі Хопфілда, стохастичні нейронні мережі. У більш широкому сенсі такий підхід відомий як Коннективизм .

3. Еволюційний підхід. При побудові систем ШІ за даного підходу основна увага приділяється побудові початкової моделі, і правил, по яких вона може бути змінена (еволюціонувати). Причому модель може бути складена по самим різним методам, це може бути і НС і набір логічних правил і будь-яка інша модель. Після цього ми включаємо комп'ютер і він, на підставі перевірки моделей відбирає найкращі з них, на підставі яких по самим різним правилам генеруються нові моделі. Серед еволюційних алгоритмів класичним вважається генетичний алгоритм

4. Імітаційний підхід. Даний підхід є класичним для кібернетики з одним із її базових понять чорний ящик . Об'єкт, поведінка якого імітується, як раз і являє собою «чорний ящик». Нам не важливо, що у нього і у моделі всередині і як він функціонує, головне, щоб наша модель в аналогічних ситуаціях вела себе точно так само. Таким чином тут моделюється інша властивість людини - здатність копіювати те, що роблять інші, не вдаючись в подробиці, навіщо це потрібно. Найчастіше ця здатність заощаджує йому багато часу, особливо на початку його життя.

В рамках гібридних інтелектуальних систем намагаються об'єднати ці напрями. Експертні правила умовиводів можуть генеруватися нейронними мережами, а породжують правила отримують за допомогою статистичного навчання.

Багатообіцяючий новий підхід, званий посилення інтелекту, розглядає досягнення ІЇ у процесі еволюційної розробки як побічний ефект посилення людського інтелекту технологіями.

Напрямки досліджень

Аналізуючи історію ШІ, можна виділити таке велике напрям як моделювання міркувань. Довгі роки розвиток цієї науки рухалося саме по цьому шляху, і тепер це одна з найбільш розвинених областей у сучасному ІІ. Моделювання міркувань передбачає створення символьних систем, на вході яких поставлено певне завдання, а на виході потрібно її рішення. Як правило, пропонована завдання вже формалізована, тобто переведена в математичну форму, але або не має алгоритму рішення, або він занадто складний, трудомісткий і т. п. В цей напрямок входять: доказ теорем, ухвалення рішень і теорія ігор, планування і диспетчеризація, прогнозування.

Важливим напрямком є обробка природної мови, в рамках якого проводиться аналіз можливостей розуміння, обробки та генерації текстів на «людському» мовою. Зокрема, тут ще не вирішена проблема машинного перекладу текстів з однієї мови на іншу. У сучасному світі велику роль відіграє розробка методів інформаційного пошуку. По своїй природі, оригінальний тест Тюрінга пов'язаний з цим напрямком.

Згідно думку багатьох вчених, важливою властивістю інтелекту є здатність до навчання. Таким чином, на перший план виходить інженерія знань, що об'єднує завдання отримання знань з простої інформації, їх систематизації і використання. Досягнення в цій області зачіпають майже всі інші напрями досліджень ІІ. Тут також не можна не відзначити дві важливі підобласті. Перша з них - машинне навчання - стосується процесу самостійного отримання знань інтелектуальною системою в процесі її роботи. Друге пов'язане із створенням експертних систем - програм, що використовують спеціалізовані бази знань для отримання достовірних висновків щодо якої-небудь проблеми.

Великі і цікаві досягнення є в області моделювання біологічних систем. Строго кажучи, сюди можна віднести кілька незалежних напрямків. Нейронні мережі використовуються для вирішення нечітких і складних проблем, таких як разпознавание геометричних фігур або кластеризація об'єктів. Генетичний підхід заснований на ідеї, що якийсь алгоритм може стати більш ефективним, якщо запозичить кращі характеристики в інших алгоритмів («батьків»). Відносно новий підхід, де ставиться завдання створення автономної програми - агента, що взаємодіє із зовнішнім середовищем, називається агентным підходом. А якщо належним чином змусити масу «не дуже інтелектуальних агентів взаємодіяти разом, то можна отримати «мурашиний» інтелект.

Завдання розпізнавання образів вже частково вирішуються в рамках інших напрямків. Сюди відносяться розпізнавання символів, рукописного тексту, мови, аналіз текстів. Особливо варто згадати комп'ютерне зір, яке пов'язане з машинним навчанням і робототехнікою.

Взагалі, робототехніка і штучний інтелект часто асоціюється один з одним. Інтегрування цих двох наук, створення інтелектуальних роботів, можна вважати ще одним напрямком ІІ.

Осібно тримається машинне творчість, у зв'язку з тим, що природа людської творчості ще менш вивчена, ніж природа інтелекту. Тим не менш, ця область існує, і тут поставлені проблеми написання комп'ютером музики, літературних творів (часто - віршів або казок), художня творчість.

Нарешті, існує маса додатків штучного інтелекту, кожне з яких утворює майже самостійний напрям. В якості прикладів можна навести програмування інтелекту в комп'ютерних іграх, нелінійне управління, інтелектуальні системи безпеки.

Можна помітити, що багато областей досліджень перетинаються. Це властиво для будь-якої науки. Але в штучному інтелекті взаємозв'язок між, здавалося б, різними напрямками виражена особливо сильно, і це пов'язано з філософським суперечкою про сильному і слабкому ІІ.

Історія

На початку XVII століття Рене Декарт припустив, що тварина - якийсь складний механізм, тим самим сформулювавши механистическую теорію. В 1623 р. Вільгельм Шикард побудував першу механічну цифрову обчислювальну машину, за якою послідували машини Блеза Паскаля (1643) і Лейбніца (1671). Лейбніц також був першим, хто описав сучасну двійкову систему числення, хоча до нього цією системою періодично захоплювалися багато великі вчені. У XIX столітті Чарльз Беббідж і Ада Лавлейс працювали над програмованої механічної обчислювальної машиною.

В 1910-1913 рр. Бертран Рассел і А. Н. Вайтхад опублікували працю «Принципи математики», яка зробила революцію у формальній логіці. У 1941 Конрад Цузе побудував перший працюючий програмно-контрольований комп'ютер. Уоррен Маккалок і Валтер Піттс у 1943 опублікували A Logical Calculus of the Ideas Immanent in Nervous Activity, який заклав основи нейронних мереж.

Сучасне положення справ

У даний момент (2008) у створенні штучного інтелекту (в початковому значенні цього слова, експертні системи і шахові програми сюди не відносяться) спостерігається дефіцит ідей. Практично всі підходи були випробувані, але до виникнення штучного розуму ні одна дослідницька група так і не підійшла.

Деякі з найбільш вражаючих цивільних ІІ систем: