Искусственный интеллект. Краткая история будущего - Тоби Уолш
В область искусственного интеллекта снова потекли миллионы долларов. Крупнейшие компании США ринулись интегрировать искусственный интеллект в свою работу. Стоимость компаний по разработке программного обеспечения и оборудования для искусственного интеллекта била рекорды. В то время цифры были космическими. Все заключалось в простой идее, третьей из шести, объясняющей сегодняшнее состояние области. В узкоспециализированных областях возможно имитировать опыт человека, следуя простым правилам.
В каком-то смысле эта концепция является реакцией на идеи № 1 и 2, в основах исследований которых лежал принцип: как найти решение. Пришло время вернуться к понятию самой проблемы, отбросив как, и понять, что она из себя представляет. Благодаря смещению фокуса на узкоспециализированное знание, это сработало.
Простой пример поможет нам понять. Давайте создадим экспертную систему, специализирующуюся на решении проблем в области распознавания животных. Мы начинаем с составления ряда правил для кодировки предметных знаний.
• Если у животного есть мех и оно гавкает, то это собака.
• Если у животного есть мех и оно мяукает, то это кошка.
• Если у животного есть перья и оно крякает, то это утка.
• Если у животного есть перья и оно ухает, то это сова.
Думаю, вы поняли задумку. Следуя этим правилам, экспертная система может задавать пользователю вопросы, чтобы определить, что это за животное. Это похоже на игру «20 вопросов».
ЭКСПЕРТНАЯ СИСТЕМА: У животного есть перья?
ПОЛЬЗОВАТЕЛЬ: Да.
ЭКСПЕРТНАЯ СИСТЕМА: Оно крякает?
ПОЛЬЗОВАТЕЛЬ: Да.
ЭКСПЕРТНАЯ СИСТЕМА: Это утка!
Конечно, мы можем усложнить процесс и добавить правила. Например, более развернутые и запутанные. Правила с элементами вероятности и неопределенности. Правила по умолчанию для обработки неполной информации. Правила и еще больше правил.
Сложно представить, как в 1980 году такое количество денег пришло в область искусственного интеллекта, основываясь на такой простой концепции. Для обобщения идеи экспертных систем придумали слоган из двух слов, который использовали повсюду: «Знание – сила!» Историки скажут, что эта идея стара как мир. Ее можно встретить в «Левиафане» Томаса Гоббса, опубликованного в 1668 году на латыни, в виде фразы “scientia potentia est”. Еще раньше в своем произведении 1597 года “Meditationes Sacrae” Фрэнсис Бэкон писал “ipsa scientia potestas est”, что в переводе означает «знание само по себе – сила».
ПЕРВАЯ ЭКСПЕРТНАЯ СИСТЕМА
Развитие первых экспертных систем на самом деле началось не в 1980-м, когда они набрали популярность, а в 1965 году. Как и любой другой успех в области искусственного интеллекта, за успехом экспертных систем кроются десятилетия разработки.
Первой экспертной системой стала DENDRAL, которую разработала талантливая и дальновидная команда Стэнфордского университета под руководством лауреата Нобелевской премии по физиологии и медицине Джошуа Ледерберга[41]. В число разработчиков также входили: химик Карл Джерасси, известный как «отец таблеток» за свою работу по синтезу оральных контрацептивов, а также теперь уже известные исследователи искусственного интеллекта Эдвард Фейгенбаум, который впоследствии обретет славу «отца экспертных систем»[42], и Брюс Бьюкенен, который, насколько мне известно, каким-то образом избежал звания отца чего бы то ни было.
Цель создания DENDRAL заключалась в определении структуры химических соединений на основе данных спектрометрии. Масс-спектрометрия – невероятный и зачастую дорогой метод идентификации различных компонентов, которые входят в состав химического вещества. Соединяя компоненты в единое целое, мы можем определить его исходную химическую структуру. На сегодняшний день масс-спектрометрия незаменима в биологических науках, помогая анализировать сложные молекулы, такие как пептиды, аминокислоты, протеины и другие органические вещества. Результатом исследования является масс-спектр, показывающий плотность и массы различных компонентов в химическом соединении. Этот процесс задает сложную вычислительную задачу: в какую возможную химическую структуру могут быть соединены компоненты при таком распределении масс?
DENDRAL помог ученым решить эту проблему. Несмотря на успех в своей узкой области масс-спектрометрии, основной вклад DENDRAL состоял в демонстрации возможностей – что, сосредоточивая внимание на узкой области и кодировке человеческого опыта в этой области, компьютерные программы могут выполнять поставленные задачи на уровне эксперта.
К 1980-м стало возможным применение экспертных систем по типу DENDRAL в самых неочевидных местах, например в патологических лабораториях, марсоходах и ядерных реакторах. Венчурное финансирование хлынуло рекой в эту область, а молодые стартапы достигли внушительных оценок их стоимости.
Появились такие лидеры рынка, как Teknowledge, Intellicorp, Inference Corporation и Carnegie Group. Что примечательно, ни одной из этих компаний сегодня уже не существует.
УЗКИЕ МЕСТА
К сожалению, бум экспертных систем оказался очередной иллюзией апогея. К концу 1980-х стало ясно, что предстоит покорить еще гораздо более высокую вершину. На пороге была вторая, длинная и суровая зима. Это было время, когда я выпускался из университета и пришел в область искусственного интеллекта. Вот счастливчик! Вторая зима искусственного интеллекта длилась 20 лет. Вот счастливчик! В конце концов, солнце взошло только в 2012 году, когда началась эпоха машинного обучения. Во второй части нашей истории мы подробнее поговорим об этом времени.
Шумиха вокруг экспертных систем не спасла ситуацию, но окончательно добил эту революцию маленький, но фундаментальный вопрос: откуда изначально берутся все эти знания? Экспертность, опыт – это не просто запоминание фактов и правил. Настоящие профессиональные навыки и опыт приобретаются на практике, когда у нас развивается чутье на нестандартные ситуации и понимание, когда применить те или иные принципы. Без возможности приобрести неявное знание, экспертные системы так и остались с набором простых правил, не способных взаимодействовать с запутанной реальностью.
Пионеры экспертных систем на всех парах столкнулись с тем, что называется «узкое место приобретения знаний». Было нелегко закодировать в систему своего рода всесторонний опыт, накопленный за многие годы. В отличие от людей, у экспертных систем нет возможности отточить свои навыки на практике или настроить производительность.
Добавление новых правил немного исправило ситуацию. Но в итоге большее количество правил привело к обратному эффекту. Системы стали настолько сложными и запутанными, что для человека понимать принцип их работы стало затруднительным. Что еще хуже, из-за того, что экспертные системы не способны ограничиться в своих знаниях, они не могут определить, в каких ситуациях необходима человеческая проверка. Великая золотая лихорадка экспертных систем быстро сошла на нет. Финансирование приостанавливалось, конференции отменялись, а стартапы становились банкротами. Те, кто предсказывал начало эпохи искусственного интеллекта, были вынуждены признать, что приобретение и кодировка экспертности оказались намного сложнее, чем они себе это представляли. В действительности такой провал ознаменует начало второй эпохи искусственного интеллекта, времени, когда знания не кодировались вручную, а приобретались путем обучения. Все как у людей.
Ошибочно полагать, что экспертные системы полностью провалились. Они не стали решением проблемы в области
