главная > материалы

А.А. Хромин

ПРОБЛЕМА «ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»

Ключевые слова: искусственный интеллект, экспертные системы, знания, разумное поведение, проблема искусственного интеллекта, философские вопросы, Норберт Винер, Алан Тьюринг, тест Тьюринга, Герберт Саймон, общий решатель задач, мышление, распознавание образов, использование естественного языка, экспертные системы, инженерия знаний, моделирование игр, доказательство теорем, нейронные сети, генетические алгоритмы, автоматизированный математик, эвристические правила, обучение, алгоритмы перебора, базы знаний, интеллектуальные системы, Платон, «Государство», логический теоретик.

Аналитическая машина не претендует на создание чего-либо нового.
Ее способности не превосходят наших знаний о том,
как приказать ей что-либо исполнить…

Ада Байрон (Ada Byron), графиня Лавлейс

• Определение понятия искусственного интеллекта
• История знания как модели искусственного интеллекта
• Основные различия между машиной и человеком
• Обучение машин. Экспертные системы и их задачи
• Тест Тьюринга: методика, достоинства и недостатки
• Программы Искусственного Интеллекта.Будущее машин по теории Норберта Винера
• Области практического применения Искусственного Интеллекта
• Проблемы развития Искусственного Интеллекта – причины и возможные последствия
• Литература

Определение понятия искусственного интеллекта

Искусственный интеллект (ИИ) можно определить как область компьютерной науки, занимающуюся автоматизацией разумного поведения. Это определение наиболее точно соответствует рассматриваемой нами проблеме, поскольку ИИ будет далее рассматриваться нами как часть компьютерной науки, которая опирается на теоретические и прикладные принципы. Эти принципы сводятся к структурам данных, используемым для представления знаний, алгоритмам применения этих знаний, а также языкам и методикам программирования, используемым при их реализации.

Тем не менее это определение имеет существенный недостаток, поскольку само понятие интеллекта не очень понятно и четко сформулировано. Большинство из нас уверены, что смогут отличить «разумное поведение», когда с ним столкнутся. Однако вряд ли кто-нибудь сможет дать интеллекту определение, достаточно конкретное для оценки предположительно разумной компьютерной программы и одновременно отражающее жизнеспособность и сложность человеческого разума.

Итак, проблема определения искусственного интеллекта сводится к проблеме определения интеллекта вообще: является ли он чем-то единым, или же этот термин объединяет набор разрозненных способностей? В какой мере интеллект можно создать, а в какой он существует априори? Что именно происходит при таком создании? Что такое творчество? Что такое интуиция? Можно ли судить о наличии интеллекта только по наблюдаемому поведению, или же требуется свидетельство наличия некоторого скрытого механизма? Как представляются знания в нервных тканях живых существ, и как можно применить это в проектировании интеллектуальных устройств? Что такое самоанализ и как он связан с разумностью? И, более того, необходимо ли создавать интеллектуальную компьютерную программу по образу и подобию человеческого разума, или же достаточно строго инженерного подхода? Возможно ли вообще достичь разумности посредством компьютерной техники, или же сущность интеллекта требует богатства чувств и опыта, присущего лишь биологическим существам?

На эти вопросы ответа пока не найдено, но все они помогают сформировать задачи и методологию, составляющие основу современного ИИ. Отчасти привлекательность искусственного интеллекта в том и состоит, что он является оригинальным и мощным орудием для исследования именно этих проблем.

По этим причинам наше первоначальное определение, очевидно, не даст однозначной характеристики для этой области науки. Оно лишь ставит новые вопросы и открывает парадоксы в области, одной из главных задач которой является поиск определения ИИ. Однако проблема поиска точного определения искусственного интеллекта вполне объяснима. Изучение искусственного интеллекта – еще достаточно молодая дисциплина, и ее структура, круг вопросов и методики не так четко определены, как в более зрелых науках. Искусственный интеллект призван расширить возможности компьютерных наук, а не определить их границы. Основной целью исследований в данной области является объединение разрозненных областей искусственного интеллекта с помощью детального описания его теоретических основ. В процессе реализации данной цели оказалось, что главная проблема состоит в примирении исследователей, уделяющих основное внимание изучению и анализу различных теорий интеллекта (чистых теоретиков), с их коллегами, рассматривающими интеллект как средство решения конкретных прикладных задач (практиками). На современном этапе развития искусственного интеллекта жаркие споры между теоретиками и практиками ведутся по множеству вопросов из самых разных областей. Приверженцы символьного подхода спорят с почитателями нейронных сетей, ученые-логики дискутируют с разработчиками форм искусственной жизни, эволюционирующей вопреки логическим принципам, архитекторы экспертных систем противостоят разработчикам программ на основе логических доказательств. И, наконец, самые непримиримые дебаты ведутся между теми, кто считает задачу создания искусственного интеллекта уже решенной, и пессимистами, вообще не верящими в возможность ее решения.

История знания как модели искусственного интеллекта

Проблема искусственного интеллекта обязана своим возникновением процессам, происходящим в развитии компьютерной техники и возникавшим на протяжении последних десятилетий, а именно – появлению и довольно широкому распространению систем, которые называют системами, основанными на знаниях. Это прежде всего интеллектуальные информационно-поисковые и экспертные системы. Термин «знания» приобретает в ИИ специфический смысл, связанный с определенной формой представления информации в ЭВМ, однако объектом внимания исследователей искусственного интеллекта является также и знание в обычном смысле.

Построение интеллектуальных систем также предполагает те или иные способы получения знаний, которые должны быть в них представлены. Это могут быть способы получения знаний из книг или иных текстов, используемых в данной области, а также в ходе определенным образом организованной коммуникации с экспертами в сфере, где будет применяться система. Решение такого рода задач, называемых задачами представления и приобретения знаний, оказалось связанным с вопросами о том, как вообще устроено знание, из чего оно состоит и каковы механизмы его функционирования, какие существуют виды знания, - а также со множеством других вопросов. Поскольку работа по созданию искусственного интеллекта в значительной степени осознается сегодня как работа со знаниями, само понятие знания занимает значительное место в рефлексии исследователей ИИ над своей деятельностью. Осознание роли компьютера как средства хранения, передачи и получения знаний, как модели знания уже оказывает ощутимое влияние на развитие наших знаний о знании. И есть основания полагать, что это влияние, в связи с процессами компьютеризации, будет усиливаться.

Вопросы о знании, возникающие в связи с компьютеризацией, развитием ИИ и созданием систем, основанных на знаниях – это, конечно же, далеко не первые из вопросов о знании, которыми задавались люди на протяжении своей истории, и отнюдь не исчерпывающие всего разнообразия вопросов о знании, занимающих человека сегодня. Многие из современных эпистемологических проблем, в том числе связанных с компьютеризацией и искусственным интеллектом, на самом деле имеют древнюю родословную, восходящую к античной эпистемологии. Вопросы об отличии знания от квазизнания (т.е. от того, что знанием не является, но может претендовать на его статус и быть принятым за него), о структуре знания и его видах, о способах его достижения были поставлены еще Платоном. В его трудах мы находим и их первое систематическое исследование.

Рассмотрим, как ставится вопрос о знании в диалоге «Государство».

В ходе обсуждения с Сократом и его собеседниками устройства идеального государства возникает вопрос, как отличить среди людей, имеющих тягу к познанию и учению, тех, кто любит усматривать истину и познает в подлинном смысле этого слова (а именно такие люди должны стать правителями в идеальном государстве), от тех, кто радуется знакомству с чем-либо новым, однако не может достичь подлинного знания – не может пойти дальше мнения. В связи с этим ставится задача провести различие между знанием с одной стороны, и с другой стороны – тем, что знанием не является, однако может в определенных условиях претендовать на его статус и выдаваться за таковое.

Знание и мнение понимаются как способности, различающиеся по своей направленности: знание направлено на чистое бытие, а мнение – на область, промежуточную между бытием и небытием. В данном примере мы сталкиваемся с таким рассмотрением знания, которое достаточно характерно для философской классики. Это наличие ситуации, когда возникает задача отличить знание от того, что иногда может быть принятым за знание, однако на самом деле таковым не является.

Однако более ранние попытки Платона исследовать феномен знания не становятся от этого менее интересными. Мы можем увидеть, что в случаях, когда Платон рассматривал знание, не прибегая к тем примерам, которые используются в «Государстве», ему удалось выявить такие аспекты и наметить такие вопросы, разработке которых было посвящено немало усилий в последующие века и которые оказываются актуальными даже сегодня в связи с возрастающими масштабами компьютерной переработки информации.

Один из такого рода вопросов – о роли личного опыта в получении знания и о познавательной ценности и надежности информации, полученной от других субъектов познания. Эта проблема, лишь намеченная Платоном в «Теэтете», становится одной из центральных в средневековой философии (где она обсуждается как проблема знания, веры и авторитета), а сегодня трансформируется в проблему доверия к результатам переработки информации человеком и компьютером.

Наряду с уже упоминавшимися вопросами о знании, древнюю родословную имеет популярный сегодня вопрос о видах знания. Собеседник Сократа Теэетет в одноименном диалоге говорит о двух видах знания: к первому относится геометрия, астрономия, счет и музыка, а ко второму – ремесло сапожника и другие ремесла, - ведь они есть ни что иное, как знания того, как изготовлять обувь, утварь или иные предметы. То обстоятельство, что упомянутые виды знания разводятся в два различных класса, правомерно растолковать с одной стороны как различение знания-выражения истины («know what»), а с другой – знания как умения («know how»). Стоит отметить, что к «знанию как» Платон относил не только ремесло и искусство как художественное творчество, но также умение поступать справедливо, быть добродетельным (этот подход позднее развивался Аристотелем).

Несмотря на все неясности. Связанные с замечаниями Платона о структуре знания, трудно переоценить важность проблематики, обозначенной здесь античным философом. Платон не только попытался выявить то, что мы можем сегодня назвать структурной организацией знания, но и обратил внимание на практическую ценность структурированности знания. Именно связанность знаний, утверждает он, дает возможность хранить их и пользоваться ими.

Наряду с экзистенциальными, с не менее давних времен исследуются и такие разновидности вопросов о знании, которые могут быть названы технологическими. В общем виде технологический подход в исследовании знания предполагает попытку ответить на вопрос типа «каким образом следует иметь дело со знанием, имея в виду достижение определенной цели?». При самом широком истолковании технологический подход к знанию является неотъемлимым элементом жизни любого человека. В этом смысле и первобытный человек, использующий для передачи информации примитивные сигналы и изображения, и наш современник, выбирающий между почтой, телеграфом и телефоном, могут считаться людьми, решающими технологические вопросы относительно знания.

До второй половины прошлого столетия экзистенциальный подход в исследовании знания был преобладающим. Это не означает, что не развивалась сама технология передачи, получения, обработки и хранения знаний. Достаточно вспомнить о развитии книгопечатания и других технических устройств для передачи информации, о методах обучения и педагогических исследованиях, посвященных технике передачи знаний и воспитания способности к самостоятельному приобретению и использованию знаний. Что касается технологического подхода к знанию в искусственном интеллекте и в компьютерных науках, то здесь необходимо обратить внимание на различие между действиями, осуществляемыми для получения, передачи, обработки и хранения информации, и пониманием этих действий именно как осуществляемых в отношении знаний в качестве некоторого особого феномена, а также разработку соответствующих технологий в данной сфере. Вообще говоря, любые компьютеры, даже те, которые называются «большие арифмометры», всегда имели дело со знанием, ведь любые данные, закладываемые в ЭВМ, представляют собой результат чьей-либо познавательной деятельности, имеющей целью постижение реальности и обеспечение на этой основе адекватного поведения. С точки зрения самой широкой трактовки знания этого достаточно для присвоения некоторому результату познавательной деятельности статуса знания и интеллекта. Между тем в течение довольно длительного времени само слово «знание» не получало в ИИ и в других научных направлениях, связанных с разработкой и применением компьютерных систем, какой-либо специфической смысловой нагрузки: о компьютерах и интеллектуальных системах говорили обычно как об устройствах, перерабатывающих информацию. Ситуация изменилась с появлением слова «знание» в названиях направлений ИИ и составляющих элементах компьютерных систем: «банки знаний», «базы знаний» и т.п. Понятие знания потеснило и встало в один ряд с понятием мышления и интеллекта, которые традиционно занимали почетное место у профессионалов занимающихся ИИ. Теория искусственного интеллекта стала иногда охарактеризовываться как «наука о знаниях и о том, как их добывать, представлять в искусственных системах, перерабатывать внутри системы и использовать для решения задач», а история искусственного интеллекта – как история исследований методов представления знаний.

Предметом интереса исследователей искусственного интеллекта становятся также вопросы о знании, которые не связаны непосредственно с технологическими вопросами и являются достаточно автономными в отношении разработок интеллектуальных систем. Это прежде всего относится к вопросу «что есть знание?». Автономный процесс формирования баз знаний дает возможность отказаться от дачи ответа на этот вопрос, ведь общепринятого ответа не существует.

Термин «знания» приобрел в ИИ специфический смысл, который Д.А. Поспелов характеризовал следующим образом: под знаниями понимается форма представления информации ЭВМ, которой присущи такие особенности, как: а) внутренняя интерпренируемость (когда каждая информационная единица должна иметь уникальное имя, по которому система находит ее, а также отвечает на запросы, в которых это имя упомянуто); б) структурированность (включенность одних информационных единиц в состав других); в) связность (возможность задания временных, пространственных или иного рода отношений); г) семантическая метрика (возможность задания отношений, характеризующих ситуационную близость); д) активность (выполнение программ инициируется текущим состоянием информационной базы). Именно эти характеристики отличают знания в искусственной интеллектуальной системе от данных – то есть они определяют ту грань, за которой данные превращаются в знания, а базы данных – в базы знаний. Вместе с тем такие черты, как внутренняя интерпренируемость, структурированность, связность, семантическая метрика и активность присущи любым более-менее крупным блокам человеческих знаний и в этом смысле знания в компьютерной системе можно рассматривать как модель того или иного фрагмента человеческого знания.

Таким образом, появление такого термина как база знаний дало начало появлению специальных вспомогательных программ для обработки данных, их поиска, записи в отведенное место и ряда других операций. Ведь расширение сферы применения интеллектуальных систем, переход к таким сложным областям как медицина, геология и химия, потребовал интенсивных усилий по формализации соответствующих знаний.

Основные различия между машиной и человеком

Различие между человеком и машиной, прежде всего, заключается в том, что в организме человека число элементов по порядку величин во много раз больше, чем обладает машина. По современным научным данным человеческий мозг содержит около 240 основных «вычислительных» узлов нейронов, которых соединяют около 250 связей синапсисов. Из этого непосредственно вытекает, что организация элементов в организме настолько сложна, что при помощи наших современных логических средств мы не можем еще овладеть этой сложностью. Но современные вычислительные системы стремительно приближаются по своим вычислительным возможностям к мозгу. Искусственные нейронные сети контролируют сложнейшие системы управления и слежения, проявляют способности в области распознавания изображения вплоть до возможности создания интеллектуальных автопилотов. Уже активно занимается искусственными системами область, считавшаяся прерогативой человека – компьютеры стали лучше людей играть в шахматы. Помимо различия в количестве объема нейронной составляющей, между машиной и человеком существует еще и одно качественное отличие. Преимущество человека состоит в его гибкости, в его умении работать с неточными идеями, хотя создание нейронных сетей и было задумано для имитации структуры нейронов человеческого мозга и работы с зашумленной информацией. В подавляющем количестве существующих методик для реализации искусственного интеллекта используются тщательно спроектированные алгоритмы перебора. Совершенно отличный, новый подход и состоит в построении интеллектуальных программ с использованием моделей, имитирующих структуры нейронов в человеческом мозге или эволюцию разных альтернативных конфигураций, как это делается в генетических алгоритмах и искусственной жизни. Нейронные архитектуры привлекательны как средства реализации интеллекта по многим причинам. Традиционные программы ИИ могут быть слишком неустойчивы и чувствительны к шуму. Человеческий интеллект куда более гибок при обработке такой зашумленной информации, как лицо в затемненной комнате или разговор на шумной вечеринке. Нейронные архитектуры, похоже, более пригодны для сопоставления зашумленных и недостаточных данных, поскольку они хранят знания в виде большого числа мелких элементов, распределенных по сети.

Это означает, что человек обладает фантазией, другими словами, он создает понятие. Преимущества машин – в скорости и точности.

На ранних этапах исследований, поиски ИИ совершались на основе таких распространенных настольных игр, как шашки, шахматы и пятнашки. Вдобавок к свойственному им «интеллектуальному» характеру такие игры имеют некоторые свойства, делающие их идеальным объектом для экспериментов. Большинство игр ведутся с использованием четко определенного набора правил - это позволяет легко строить пространство поиска и избавляет исследователей от неясности и путаницы, присущих менее структурированным проблемам. Позиции фигур легко представимы в компьютерной программе, они не требуют создания сложных формализмов, необходимых для передачи семантических тонкостей более сложных предметных областей. Игры могут порождать необычайно большие пространства состояний. Для поиска в них требуются мощные методики, определяющие, какие альтернативы следует рассматривать. Такие методики называются «эвристиками» и составляют значительную область исследований искусственного интеллекта. Эвристика – стратегия полезная, но потенциально способная упустить правильное решение. Примером эвристики может быть рекомендация проверять, включен ли прибор в розетку, прежде чем делать предположение о его поломке, или, например, выполнять рокировку в шахматной игре, чтобы попытаться уберечь короля от шаха. Но большая часть того, что мы называем разумностью, по-видимому, опирается на эвристики, которые люди используют в решении задач, и при этом приобретает особую значимость рассмотрение основных философских вопросов, связанных с искусственным интеллектом и искусственной жизнью. Очевидно, происходит взаимовлияние искусственного интеллекта и искусственной жизни на философские проблемы мышления и жизни вообще. Современными философами широко рассматриваются данные проблемы, особенно обсуждается область мышления и самосознания.

Обучение машин. Экспертные системы и их задачи

Обучение остается «крепким орешком» искусственного интеллекта. Важность обучения, тем не менее, несомненна, поскольку эта способность является одной из главных составляющих разумного поведения. Экспертная система может выполнять долгие и трудоемкие вычисления для решения проблем. Но, в отличие от человеческих существ, если дать ей такую же или подобную проблему второй раз, она не «вспомнит» решение. Она каждый раз вновь и вновь будет выполнять те же вычисления – едва ли это похоже на разумное поведение.

Одним из главных достижений ранних исследований по ИИ стало осознание важности специфического для некоторой предметной области знания. Экспертное знание – это сочетание теоретического понимания проблемы и набора эвристических правил для ее решения, которые, как показывает опыт, эффективны в данной предметной области. Экспертные системы создаются с помощью заимствования знаний у человеческого эксперта и кодирования их в форму, которую компьютер может применить к аналогичным проблемам. Стратегии экспертных систем основаны на знаниях человека-эксперта. Хотя многие программы пишутся самими носителями знаний о предметной области, большинство экспертных систем являются плодом сотрудничества между таким экспертом, как врач, химик, геолог или инженер, и независимым специалистом по ИИ. Эксперт предоставляет необходимые знания о предметной области, описывая свои методы принятия решений и демонстрируя эти навыки на тщательно отобранных примерах, специалист по ИИ (или инженер по знаниям, как часто называют разработчиков экспертных систем) отвечает за реализацию этого знания в программе, которая должна работать эффективно и внешне разумно. Большинство экспертных систем были написаны для специализированных предметных областей, эти области довольно хорошо изучены и располагают четко определенными стратегиями принятия решений. Проблемы, определенные на нечеткой основе здравого смысла, подобными средствами решить будет уже сложнее. Несмотря на воодушевляющие перспективы экспертных систем, было бы ошибкой переоценивать возможности этой технологии. Основные проблемы таковы:

• Трудности в передаче «глубоких» знаний предметной области. Системе MYCIN, в которую вложены знания экспертов медицины для диагностики и лечения спинального менингита и бактериальных инфекций крови, не достает действительного знания человеческой физиологии. Она не знает, какова функция кровеносной системы или спинного мозга. Ходит предание, что однажды, подбирая лекарство для очередного пациента, MYCIN спросила, беременен ли пациент, хотя ей указали, что пациент мужского пола. Было это на самом деле или нет, неизвестно, но это хорошая иллюстрация потенциальной ограниченности знаний экспертной системы.
• Недостаток здравомыслия и гибкости. Если людей поставить перед задачей, которую они не в состоянии решить немедленно, то они обычно сперва исследуют основные принципы и вырабатывают какую-то стратегию для перехода к проблеме. Экспертным системам этой способности не хватает.
• Неспособность предоставлять осмысленные объяснения. Поскольку экспертные системы не владеют глубоким знанием своей предметной области, их пояснения обычно ограничиваются описанием шагов, которые система предприняла в поиске решения. Но они зачастую не могут пояснить, почему был выбран данный конкретный подход.
• Трудности в тестировании. Хотя обоснование корректности любой большой компьютерной системы достаточно трудоемко, экспертные системы проверять особенно тяжело. Это серьезная проблема, поскольку технологии экспертных систем применяются для таких критичных задач, как управление воздушным движением, ядерными реакторами и системами оружия.
• Ограниченные возможности обучения на опыте. Сегодняшние экспертные системы делаются буквально вручную, производительность разработанной системы не будет возрастать до следующего вмешательства программистов. Это заставляет серьезно усомниться в разумности таких систем.

Очевидное решение этих проблем – заставить программы учиться самим на опыте, аналогах или примерах. Несмотря на эти ограничения, экспертные системы доказали свою ценность во многих важных областях.

Хотя обучение является трудной областью, существуют и некоторые программы, которые опровергают опасения о ее неприступности. Одной из таких программ является АМ – Автоматизированный Математик, разработанный для открытия математических законов. Отталкиваясь от заложенных в него понятий и аксиом теории множеств, Математику удалось вывести из них такие важные математические концепции, как мощность множества, целочисленная арифметика и многие результаты теории чисел. АМ строил теоремы, модифицируя свою базу знаний, и использовал эвристические методы для поиска наилучших из множества возможных альтернативных теорем. Из недавних результатов можно отметить программу Коттона, которая изобретает интересные целочисленные последовательности.

Из всего этого можно сделать предположение, что машины смогут обучаться. Вычислительные машины могут учиться улучшать свою работу путем ее анализа. Называть ли это мышлением – вопрос терминологический. Существует ли вероятность того, что машины смогут учиться больше, чем человек? Если такое и произойдет, то только лишь потому, что люди перестанут учиться. Человеку учиться легче, чем машине. Если же люди начнут поклоняться машине и оставлять ей все, то за возможные неприятности и негативные последствия нам нужно будет «благодарить» только самих себя. Обучающаяся машина – это такая машина, которая не просто, скажем, играет в какую-нибудь игру по твердым правилам, с неизменной стратегией, но периодически или непрерывно рассматривает результаты этой стратегии, дабы определить, нельзя ли изменить с пользой те или иные параметры, величины или стратегии.

Успешность программ машинного обучения наводит на мысль о существовании универсальных принципов, открытие которых позволило бы конструировать программы, способные обучаться в реальных проблемных областях.

Тест Тьюринга: методика, достоинства и недостатки

В то время, как многие исследователи считают, что интеллектуальные системы способны моделировать экспертное знание, другие полагают, что они не претендуют на моделирование стратегий человеческого рассуждения или поиска решений, и, следовательно, не являются экспертами знания, а только «искусственно компетентными системами». Знания, заложенные в интеллектуальных системах, - это лишь фрагмент системы знаний определенной области, относящийся к фиксированному классу задач, решаемых данной системой.

Одна из первых работ о машинном разуме, «Вычислительные машины и интеллект» была написана еще в 1950 году британским математиком Аланом Тьюрингом. Она не теряет актуальности как по части аргументов против возможности создания разумной вычислительной машины, так и по части ответов на них. Тьюринг рассмотрел вопрос о том, можно ли заставить машину действительно думать. Тест Тьюринга сравнивает способности предположительно разумной машины со способностями человека – лучшим и единственным стандартом разумного поведения. В тесте, который Тьюринг назвал «имитационной игрой», машину и ее человеческого соперника («следователя») помещают в разные комнаты, отделенные от помещения в котором находится «имитатор». Следователь не может видеть их или говорить с ними напрямую – он общается с ними исключительно при помощи текстового устройства. Задача следователя – отличить компьютер от человека только на основе их ответов на вопросы, задаваемые через это текстовое устройство. Если следователь не может отличить машину от человека, тогда, утверждает Тьюринг, машину можно считать разумной. Изолированность следователя от машины и другого, живого человека, исключает предвзятое отношение – на решение следователя не будет влиять ни вид машины, ни ее электронный голос. Следователь волен задавать любые вопросы, какими бы окольными или косвенными они ни были, пытаясь раскрыть «личность» компьютера. Например, следователь может попросить обоих подопытных осуществить довольно сложный арифметический подсчет, предполагая, что компьютер скорее даст верный ответ, чем человек. Чтобы обмануть эту стратегию, компьютер должен знать, когда ему следует выдать ошибочное число, чтобы показаться человеком. Чтобы обнаружить человеческое поведение на основе эмоциональной природы, следователь может попросить обоих субъектов высказаться по поводу стихотворения или картины. Компьютер в таком случае должен знать об эмоциональном складе человеческих существ.

Этот тест дает следующие важные особенности:

1. Дает объективное понятие об интеллекте, то есть реакции заведомо разумного существа на определенный набор вопросов. Таким образом, вводится стандарт для определения интеллекта, который предотвращает неминуемые дебаты об «истинности» его природы.
2. Препятствует заведению нас в тупик сбивающими с толку и пока безответными вопросами, такими как: «должен ли компьютер использовать какие-то конкретные внутренние процессы?», или «должна ли машина по-настоящему осознавать свои действия?».
3. Исключает предвзятость в пользу живых существ, заставляя следователя сфокусироваться исключительно на содержании ответов на вопросы.

Благодаря этим преимуществам, тест Тьюринга представляет собой хорошую основу для многих схем, которые используются на практике для испытания современных интеллектуальных программ. Программа, потенциально достигшая разумности в какой-либо области, может быть испытана сравнением ее способностей по решению определенного количества проблем со способностями человека.

Однако тест Тьюринга, несмотря на свою интуитивную притягательность, уязвим для многих оправданных нападок. Одно из наиболее слабых мест – пристрастие в пользу чисто символьных задач. Тест не затрагивает способностей, требующих, например, ловкости рук, хотя подобные аспекты являются важными составляющими человеческого интеллекта. Иногда же, напротив, тест Тьюринга обвиняют в попытках втиснуть машинный интеллект в форму интеллекта человеческого. Быть может, машинный интеллект просто настолько отличается от человеческого, что проверять его человеческими критериями – фундаментальная ошибка? Нужна ли нам, в самом деле, машина, которая бы решала математические задания так же медленно и неточно, как человек? Не должна ли разумная машина извлекать выгоду из своих преимуществ, таких как большая, быстрая, надежная память, и не пытаться сымитировать человеческое познание? На самом деле, многие современные практики ИИ говорят, что разработка систем, которые бы выдерживали всесторонний тест Тьюринга – это ошибка, отвлекающая нас от более важных, насущных задач: разработки универсальных теорий, объясняющих механизмы интеллекта людей и машин и применение этих теорий к проектированию инструментов для решения конкретных практических проблем.

Все же, тест Тьюринга является важной составляющей в тестировании и аттестации современных интеллектуальных программ.

Тьюринг также затронул проблему осуществимости построения интеллектуальной программы на базе цифрового компьютера. Размышляя о терминах конкретной вычислительной модели (электронной цифровой машины с дискретными состояниями), он сделал несколько хорошо обоснованных предположений, касающихся объема ее памяти, сложности программы и основных принципов проектирования такой системы. Наконец, он рассмотрел множество моральных и научных возражений возможности создания такой программы средствами современной технологии.

Два возражения, приведенных Тьюрингом, стоит рассмотреть детально. «Возражение леди Лавлейс», впервые сформулированное Адой Лавлейс, сводится к тому, что компьютеры могут делать лишь то, что им укажут, и, следовательно, не могут выполнять оригинальные и разумные действия. Однако современные экспертные системы, особенно в области диагностики, могут формулировать выводы, которые не были заложены в них разработчиками. Более того, многие исследователи считают, что творческие способности можно реализовать программно.

Другое возражение, «аргумент естественного поведения», связано с невозможностью создания набора правил, которые бы говорили индивидууму, что в точности нужно делать при каждом возможном стечении обстоятельств. Действительно, гибкость, позволяющая биологическому разуму реагировать практически на бесконечное количество различных ситуаций приемлимым образом – отличительная черта разумного поведения. Справедливо замечание, что управляющая логика, используемая в большинстве традиционных компьютерных программ, не отличается особой гибкостью или силой воображения, но вместе с тем неверно было бы полагать, что все программы должны писаться подобным образом. Большая часть работ в сфере искусственного интеллекта была направлена на разработку таких языков программирования и моделей, которые устранили бы вышеупомянутый недостаток.

Следует отметить, что с 1991 года года проводятся турниры программ, пытающихся пройти тест Тьюринга. Но пока ещё эти программы (боты) крайне малоразумны. Всё, что они делают — это применяют заранее подсказанные человеком правила. Осмыслить разговор боты даже не пытаются, в основном совершают попытки "обмануть" человека (судью). Создатели закладывают в них ответы на наиболее часто задаваемые вопросы, стараются обойти распространенные ловушки.

Программы Искусственного Интеллекта.
Будущее машин по теории Норберта Винера

Современные программы ИИ обычно состоят из набора модульных компонентов (или правил поведения), которые не выполняются в жестко заданном порядке, а активизируются по мере надобности в зависимости от структуры конкретной задачи. Система обнаружения совпадений позволяет применять общие правила к целому диапазону задач. Эти системы необычайно гибки, и это позволяет относительно маленьким программам проявлять разнообразное поведение в широких пределах, реагируя на различные задачи и ситуации.

Можно ли довести гибкость таких программ до уровня живых организмов? Этот вопрос все еще является предметом жарких споров. Нобелевский лауреат Герберт Саймон сказал, что своеобразие и изменчивость поведения, присущие живым существам, возникли скорее благодаря сложности окружающей их среды, чем благодаря сложностям их внутренних «программ». Саймон описывает муравья, петляющего по неровной, пересеченной поверхности: хотя путь муравья и кажется довольно сложным, цель муравья предельно проста – как можно скорее вернуться в свою колонию. Изгибы и повороты его пути вызваны встречаемыми препятствиями. Из всего этого Саймон делает следующий вывод: «Муравей, рассматриваемый в качестве проявляющей разумное поведение системы, на самом деле очень прост. Кажущаяся сложность его поведения в большей степени отражает сложность среды, в которой он существует».

Эта идея, если удастся доказать ее применимость к организмам с более сложным интеллектом, составит сильный аргумент в пользу простоты и постижимости интеллектуальных систем. Интересно, что, применив эту идею к человеку, мы придем к выводу об огромной значимости культуры в формировании интеллекта. Интеллект, похоже, не взращивается во тьме, как грибы, для его развития необходимо взаимодействие с достаточно богатой окружающей средой. Культура так же необходима для создания человеческих существ, как человеческие существа необходимы для создания «мыслящих» машин. Интеллект возникает из взаимодействий индивидуальных элементов.

Другой ученый, работающий в области ИИ-исследований – Норберт Винер.

Доктор математических наук Винер, основатель кибернетики, написал множество книг, посвященных машинам, их использованию, их будущему и настоящему. В своих работах ученый исследует проблему искусственного интеллекта и кибернетики не только с точки зрения математики. Будучи ученым широко профиля, Винер интегрирует в своих исследованиях достижения и знания из различных областей науки. Сотрудничая с физиологами и психологами, он доказывает некоторое сходство работы «электронного мозга» с человеческим. Однако, как отмечает Винер в своей книге «Кибернетика», даже обладая определенным набором рецепторов, эффекторов и некоторым подобием центральной нервной системы, сходство поведения вычислительных машин и других современных автоматов является лишь имитацией простейших условных рефлексов живых существ. Отсюда далеко до целостного, осмысленного восприятия внешнего мира и самостоятельного, творческого мышления. Все вышесказанное полностью относится и к человекоподобным роботам – это весьма примитивные модели человека.

Однако, в будущем, Винер считает возможным создание не только разумной машины, но и машины «умнее своего создателя». Не исключает он и бунта машин. Он полагает, что не только робот, но и любая стратегическая машина способна вызвать катастрофу: «…машина должна программироваться опытом. …ошибка в этом отношении может означать лишь немедленную, полную и окончательную гибель. Мы не можем рассчитывать на то, что машина будет подражать нам в тех предрассудках и эмоциональных компромиссах, благодаря которым мы позволяем себе называть разрушение победой».

Таковы мнения ученых, стоящих у истоков развития науки об искусственном интеллекте, внесших огромный вклад в ее теоретическую и практическую базу.

В самом конце 50-60х г.г. XX века почти все силы специалистов были направлены на поиск и составление программ, имитирующих отдельные стороны интеллектуальной деятельности человека. Однако большинство попыток оказались неудачными в том плане, что, даже обладая весомым набором информации, малейшее изменение условий их применения ставили работу программы в тупик. Первой ласточкой была система, названная ее создателями кибернетиком Аланом Ньюменом и психологом Гербертом Саймоном «Общий решитель задач».

В ее основе лежит простое соображение.

Пусть в распоряжении системы имеется некий набор стредств, т.е. для ЭВМ это набор программ. Пусть каждое средство заданным для ЭВМ образом меняет сложившуюся ситуацию в данный момент. Кроме того, для каждой пары ситуаций ЭВМ способна определить различие между ними и сколь это различие велико. Тогда процедура цель-средства будет реализовываться следующим образом: есть начальная ситуация и ситуация, к которой система стремится. Система проверяет, имеется ли различие между начальной и целевой ситуациями. Если оно отсутствует или меньше заданного порога, то задача решена. Если различие нельзя проигнорировать, система ищет средства для ее решения. Когда таких решений нет, то она отказывается от решения задачи, если таких решений несколько – использует то из них, которое требует наименьших затрат, либо «бросает монетку» и выбирает одно из подходящих средств случайным образом. Этот процесс продолжается до тех пор, пока либо не найдется нужное решение, либо сама система не зайдет в тупик, когда ни одно из имеющихся решений не сможет устранить различие.

Можно сказать, что автоматическое доказательство теорем – одна из старейших частей искусственного интеллекта, корни которой уходят к системам Logic Theorist (логический теоретик) Ньюэлла и Саймона, и General Problem Solver (универсальный решатель задач), и так далее, к попыткам Рассела и Уайтхеда построить всю математику на основе формальных выводов теорем из изначальных аксиом. В любом случае эта ветвь принесла наиболее богатые плоды. Благодаря исследованиям в области доказательства теорем были формализованы алгоритмы поиска и разработаны языки формальных представлений, такие как исчисление предикатов и логический язык программирования PROLOG.

Привлекательность автоматического доказательства теорем основана на строгости и общности логики. Разнообразные проблемы можно попытаться решить, представив описание задачи и относящуюся к ней информацию в виде логических аксиом и рассматривая различные случаи задачи как теоремы, которые нужно доказать. Этот принцип лежит в основе автоматического доказательства теорем и систем математических обоснований.

К сожалению, в ранних пробах написать программу для автоматического доказательства, не удалось разработать систему, которая бы единообразно решала сложные задачи. Это было обусловлено способностью любой относительно сложной логической системы сгенерировать бесконечное количество доказуемых теорем: без мощных методик (эвристик), которые бы направляли поиск, программы доказывали большие количества не относящихся к делу теорем, пока не натыкались на нужную. Из-за этой неэффективности многие утверждают, что чисто формальные синтаксические методы управления поиском принципиально не способны справляться с такими большими пространствами, и единственная альтернатива этому – положиться на неформальные стратегии, как это делают люди.

Все же, привлекательность рассуждений, основанных на формальной логике, слишком сильна, чтобы ее игнорировать. Многие важные проблемы, такие как проектирование и проверка логических цепей, проверка корректности компьютерных программ и управление сложными системами, по-видимому, поддаются такому подходу. Вдобавок исследователям автоматического доказательства удалось разработать мощные эвристики, основанные на оценке синтаксической формы логического выражения, которые в результате понижают сложность пространства поиска, не прибегая к используемым людьми методам

Еще одной причиной неувядающего интереса к автоматическому доказательству теорем является понимание, что системе необязательно решать особо сложные проблемы без человеческого вмешательства. Многие современные программы доказательств работают как умные помощники, предоставляя людям разбивать задачи на подзадачи и продумывать эвристики для перебора в пространстве возможных обоснований.

Бесспорно, что преимущество машины перед человеком состоит в ее большой работоспособности. Действительно, первые два компонента ЭВМ – быстродействие и объем памяти – в несметное число раз превосходят человеческие возможности. А вот в отношении третьего компонента – алгоритмов решения задач – весомых успехов пока нет. Возможно ли все-таки создать искусственный кибернетический разум, который был бы умнее своего создателя? Люди используют в своей деятельности два типа алгоритмов: 1. – алгоритмы управления (планирования). Такого рода алгоритмами в той или иной степени владеют большинство людей. 2 тип – алгоритмы поиска алгоритмов управления. Такими алгоритмами владеют немногие, в основном те, кто ведет исследовательские работы. Конечная цель любой подлинно научной работы – построение алгоритмов поиска, алгоритмов управления в какой-либо области деятельности человека. Таким образом, если удасться познать, формализовать и передать такой алгоритм поиска алгоритмов управления машине, то она найдет (в силу большего, чем у человека, быстродействия и объема памяти) алгоритм более высокого уровня, чем те, которые используют люди.

Такая ЭВМ будет не только работоспособнее, но и разумнее человека.

Одной из долгосрочных целей искусственного интеллекта является создание программ, способных понимать человеческий язык и строить фразы на нем. Способность применять и понимать естественный язык является фундаментальным аспектом человеческого интеллекта, а его успешная автоматизация привела бы к неизмеримой эффективности самих компьютеров. Многие усилия были затрачены на написание программ, понимающих естественный язык. Хотя такие программы и достигли успеха в ограниченных областях, системы, использующие натуральные языки с гибкостью и общностью, характерной для человеческой речи, лежат за пределами сегодняшних методологий.

Понимание естественного языка включает куда больше, чем разбор предложений на индивидуальные части речи и поиск значений слов в словаре. Оно базируется на обширном фоновом знании о предмете беседы и идиомах, используемых в этой области, а так же на способности применять общее контекстуальное значение для понимания недомолвок и неясностей, присущих естественной человеческой речи.

Представьте, например, как сложно будет разговаривать о футболе с человеком, который ничего не знает об игре, правилах, ее истории и игроках. Способен ли будет такой человек понять смысл фразы «в центре Иванов перехватил верхнюю передачу – мяч полетел к штрафной соперника, там за него на «втором этаже» поборолись Петров и Сидоров, после чего был сделан пас на Васина в штрафную, который из-под защитника подъемом пробил точно в дальний угол»? Хотя каждое отдельное слово в этом предложении можно понять, фраза звучит совершенной тарабарщиной для любого нефаната.

Задача сбора и организации этого необходимого фонового знания, чтобы его можно было применить к осмыслению языка, составляет значительную проблему в автоматизации понимания естественного языка. Для ее решения исследователи разработали множество методов структурирования семантических значений, используемых повсеместно в искусственном интеллекте. Человеческий интеллект служит отправной точкой в создании искусственного, однако это не означает, что программы должны формироваться по образу и подобию человеческого разума. Действительно, многие программы ИИ создаются для решения определенных насущных задач без учета человеческой ментальной архитектуры. Даже экспертные системы, заимствуя большую часть своего знания у экспертов-людей, не пытаются моделировать внутренние процессы человеческого ума. Если производительность системы – это единственный критерий его качества, то нет особых оснований имитировать человеческие методы принятия решений. Программы, которые используют несвойственные людям подходы, зачастую более успешны, чем их человеческие соперники. Тем не менее конструирование систем, которые могли бы детально моделировать какой-либо аспект работы интеллекта человека, стало плодотворной областью исследований как в искусственном интеллекте, так и в психологии.

Области практического применения Искусственного Интеллекта

В связи с растущими потребностями людей в развитии технологий, совершенствуются и компьютеры. Их эволюция шла в сторону уменьшения размеров, стоимости и энергоемкости. Когда отдельные машины стали объединяться в сети, совершился чрезвычайно расширивший их возможности переход от «одноклеточных» к «многоклеточным» созданиям. На этом этапе возникли некоторые сложности. Дело в том, что с одной стороны ЭВМ показали себя мощным интеллектуальным орудием, необходимым в работе и повседневной жизни. Но с другой стороны общаться с ЭВМ на понятном для нее машинном языке и, тем самым, использовать ее огромные возможности могли далеко не все. Здесь требовались посредники – программисты, а в условиях их нехватки рост числа компьютеров был бы бессмысленным. Лозунгом, провозглашенным японцами, стал: «Вычислительная машина должна быть в управлении не сложнее стиральной машины. Только тогда она станет таким же предметом домашнего обихода и конструкторского оборудования, как телефон». И теперь, на данном этапе, можно со всей ответственностью заявить, что компьютеры стали неотъемлимой частью человеческой жизни. Они находят применение не только в виде обычного ПК, но и в вооружении, технологии, медицине и других отраслях человеческой деятельности.

Современные работы в области практического применения искусственного интеллекта ведутся по нескольким основным направлениям:

1. Распознавание образов. Эта проблема касается распознавания зрительных или звуковых образов, а также других (смешанных) модальностей. Медицинская диагностика, предсказание погоды являются примерами задач распознавания образов. В последнее время основная часть работ в этой области ориентирована на анализ ситуаций (сцен), а не отдельных объектов (например, печатных знаков).
2. Использование естественного языка. Под этим подразумевается разработка систем «вопрос-ответ» и систем автоматического перевода.
3. Экспертные системы. В них воплощаются большие объемы знаний и навыков, присущих эксперту – человеку. Эти системы представляют большую ценность, в частности, в медицинской диагностике, в геологии, а также в некоторых других областях.
4. Инженерия знаний. Эта область не является самостоятельной, но сам термин отражает определенное отношение к тому, каким образом следует осуществлять взаимодействие различных видов знаний в распознавании образов, робототехнике и в экспертных системах, а также включает ту область, в рамках которой ведутся исследования по определению знаний, манипулированию ими и слежению за пополнением и корректировкой знаний.
5. Моделирование игр. Игры являются хорошей основой для изучения эвристического поиска. Программы ведения игр, несмотря на их простоту, ставят перед исследователями новые вопросы, включая вариант, при котором ходы противника невозможно определенно предугадать. Наличие противника усложняет структуру программы, добавляя в нее элемент непредсказуемости и потребность уделять внимание психологическим и тактическим факторам игровой стратегии.
6. Доказательство теорем. Данная область перекрывается с определенными областями математики и решением проблем в ряде других областей (например, в робототехнике).
7. Нейронные сети. В эту сложную область исследований входят такие перспективные методы, как обработка видеоизображений и их преобразование в векторные графические модели, автоматизация построения и анализа объектов моделей или местности с учетом динамики их развития, получение аналитических решений в графическом виде в режиме реального времени, работа с зашумленными данными и многое другое, в частности: в экономике для предсказания рынков, оценки риска невозврата кредитов, предсказания банкротств, автоматического рейтингования, оптимизации товарных и денежных потоков, автоматического считывания чеков и форм. В медицине: обработка медицинских изображений, мониторинг состояния пациентов, диагностика, факторный анализ эффективности лечения, очистка показаний приборов от шумов. В авиации: обучаемые автопилоты, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета. В средствах сязи: сжатие видео-информации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.
8. Генетические алгоритмы. С помощью генетических алгоритмов и методик искусственной жизни исследователи вырабатывают новые решения проблем из компонентов предыдущих решений. Генетические операторы, такие как скрещивания или мутация, подобно своим эквивалентам в реальном мире, вырабатывают с каждым поколением все лучшие решения.
9. Робототехника. Эта сфера представляет непосредственный практический интерес и наглядно демонстрирует возможности, поэтому остановимся на ней подробнее.

Робототехника – это область исследований, которая ставит перед собой цель вывести машины из вычислительных центров в реальный мир. Современные машины существенно отличаются от достаточно мощных машин промышленной революции. Для робототехники становится необходимым, чтобы эти машины обладали не только интеллектом, но и мускулами: они должны иметь «глаза» и «уши». (В некоторых системах превзойдены возможности человеческого зрения – использование лазеров позволяет измерять расстояние гораздо точнее, чем это доступно бинокулярному зрению человека). Большое значение в области робототехнике придается анализу трехмерных сцен. Но, несмотря на заметное превосходство в быстроте принятия решения задач, многое из того, что человек делает с легкостью, для машин оказывается очень трудным. Робот, слепо выполняющий последовательность действий, не реагируя на изменения в своем окружении, или неспособный обнаруживать и исправлять ошибки в своем собственном плане, едва ли может считаться разумным. Зачастую от робота требуют сформировать план, основанной на недостаточной информации, и откорректировать свое поведение по мере его выполнения. Робот может не располагать адекватными сенсорами для того, чтобы обнаружить все препятствия на проектируемом пути. Такой робот должен начать двигаться по комнате, основываясь на воспринимаемых им данных, и корректировать свой путь по мере того, как выявляются другие препятствия. Организация планов, позволяющая реагировать на изменение условий окружающей среды, - основная проблема планирования и конструирования роботов, которые бы выполняли свои задачи с некоторой степенью гибкости и способностью реагировать на окружающий мир. По ряду причин такое планирование является сложной проблемой, и немалую роль в этом играет размер пространства возможных последовательностей шагов. Даже очень простой робот способен породить огромное число различных комбинаций элементарных движений. Для написания программы, которая могла бы разумно определить оптимальный путь обхождения машиной препятствий и не была бы при этом перегружена огромным их числом, потребуются сложные методы для представления пространственного знания и управления перебором в пространстве альтернатив.

Проблемы развития Искусственного Интеллекта –
причины и возможные последствия

Бесспорно то, что компьютеры стали необходимостью в любой сфере деятельности человека. Тем самым, необходимо отметить некоторые причины, побудившие развитие исследований в области искусственного интеллекта:

• Приблизить компьютеры к непрограммирующему пользователю, сделать общение с ним столь несложным, чтобы научиться этому при желании мог каждый человек без особых усилий.
• Мы нуждаемся в средствах передачи информации, живя в информационном обществе. В связи с этим вычислительные машины стали объединяться в национальные и транснациональные сети для распространения информации по всему миру. Такие сети постепенно замещают собой привычные нам бумаги, газеты, книги и т.п., которые все чаще заменяются электронной почтой и информацией, хранящейся в базах данных и знаний. Рождаются новые информационные технологии, в создании которых имеют значение не только результаты развития вычислительной техники и сетей связи, но и достижения искусственного интеллекта. Без них невозможна формализация и передача знаний, манипулирование знаниями и доступ к ним.
• Развитие технологии, а вместе с тем промышленности и сельского хозяйства влечет за собой повышенные требования к технологическим процессам, условиям работы человека, ведь по сути комфортность труда определяет и непосредственно технологию производства. Таким образом, появление роботизированной техники способно избавить от многих лишних производственных затрат. Однако, для того чтобы полностью заменить человека, машина должна обладать достаточно высоким уровнем интеллекта, для того чтобы иметь возможность решать сложные производственные задачи. Прежде всего, это задачи зрительного восприятия, планирования целесообразного поведения, овладение навыками.

Таковы некоторые из настоящих проблем, стоящих перед исследователями и разработчиками искусственного интеллекта. Но, несмотря на всю необходимость этих разработок, стоит задуматься и над социальными последствиями такого рода новшеств. С одной стороны, с появлением вычислительных машин произошли безусловно положительные сдвиги в человеческой деятельности. Так фактически возникла новая отрасль промышленности, появились многочисленные специалисты, которые создают и проектируют вычислительные машины. Но в подобной ситуации необходим какой-то действенный контроль за нашими интеллектуальными помощниками. Одна из опасностей интеллектуализации кроется в повышении требований к образовательному уровню членов общества. Постепенно потребность в неквалифицированном труде будет сокращаться, в будущем человечество может столкнуться с проблемой глобальной безработицы. Основная же проблема состоит в рациональности применения достижений ИИ-разработок. Особую опасность представляют новшества военного вооружения и стратегии. К примеру, методы распознавания образов нашли свое применение при разработке крылатых ракет. Подобным образом и другие методы ИИ могут сыграть свою роль в военных системах будущего, способных планировать свои действия без участия людей. И, наконец, стоит отметить, что широкое внедрение информационных и экспертных систем может привести к появлению своеобразных «интеллектуальных тунеядцев», полностью доверяющих машине и стремящихся избавиться от необходимости прилагать малейшие интеллектуальные усилия.

Многие применения искусственного интеллекта подняли глубокие философские вопросы. В каком смысле можно заявить, что компьютер понимает фразы естественного языка? Продуцирование и понимание языка требует толкования символов, недостаточно лишь правильно сформулировать строку символов, механизм понимания должен уметь приписывать им смысл или интерпретировать символы в зависимости от контекста. Что такое смысл? Что такое интерпретация? Эти и подобные вопросы встают во многих областях применения ИИ, будь то построение экспертных систем или разработка алгоритмов машинного обучения. Наши машины нуждаются в программах. Эти программы могут, правда, быть составленными другими машинами, однако для этих машин программу должен опять-таки составлять человек. Данную мысль можно продолжить – это означает, что подвижна сама граница между машиной и организмом, и ответ на вопрос, какой сложности могут быть построены машины, даст только опыт.

И в заключение, стоит сказать несколько слов о перспективах развития искусственного интеллекта. Рей Курцвейл, изобретатель, писатель и футурист, являющийся человеком, стоящим у истоков таких направлений компьютерной науки, как распознавание речи и символов, синтез музыки, виртуальная реальность и искусственный интеллект, в своем интервью журналу «Computerworld» изложил свой взгляд на будущее ИИ. Согласно его точке зрения, изложенной также в его работе «Сингулярность рядом: когда человечество выйдет за границы биологии» («The singularity is near: when humans transcend biology», Viking Adult, 2005) Курцвейл предсказывает, что в конце концов человеческий и компьютерный интеллекты сольются и станут неотличимыми. Объем данных о мозге человека, которые собирают ученые, с каждым годом увеличивается почти вдвое; по мере получения все новых данных о конкретных участках мозга, люди довольно скоро и быстро смогут создавать подробные математические модели этих участков. По самым скромным подсчетам, к концу 2020-х годов мы получим очень точную, детальную эмуляцию работы всех участков мозга. Десять квадрильонов (т.е. 1016) операций в секунду – вполне достаточно для того, чтобы эмулировать все участки мозга человека. Япония анонсировала два суперкомпьютера, которые смогут достичь такой вычислительной мощности к 2010 году. Люди научатся объединять преимущества человеческого интеллекта, в частности способность распознавать образы, с теми возможностями, в которых, как уже очевидно, машины нас превосходят. Более того, к концу 2040х годов один кубический дюйм микросхемы на нанотрубках будет в 100 миллионов раз более мощным, чем мозг человека. Что касается программного обеспечения, то в 3030х годах машины смогут обращаться к собственному исходному коду и совершенствовать его в рамках все более ускоряющегося цикла проектирования. Поэтому в конце концов эти системы станут значительно более интеллектуальными, чем люди, и будут сочетать в себе преимущества биологического и небиологического интеллекта. К концу 2020х годов нанороботы (то есть машины размером, сопоставимым с молекулой, обладающие функциями движения, обработки и передачи информации, исполнения запрограммированных команд, а также способные к созданию своих копий, т.е. самовоспроизводству) будут обладать серьезными вычислительными, коммуникативными и роботизированными возможностями. Например, нанороботические белые кровяные тельца смогут загружать программное обеспечение для конкретного патогенного микроорганизма в теле человека и разрушать его буквально за несколько секунд, при том что наши биологические кровяные тельца тратят на это несколько часов. Нанороботы, направленные в мозг, позволят человеку значительно расширить возможности своего интеллекта, мы сможем выйти за пределы биологических границ и заменить имеющееся у нас «человеческое тело версии 1.0» на кардинально обновленную версию 2.0, тем самым радикально увеличить продолжительность жизни. Небиологическая часть будет увеличиваться примерно в 1000 раз за десять лет, и биологическая часть в конечном итоге станет очень незначительной. В XXII веке, по прогнозу Курцвейла, мы будем использовать возможности материи и энергии на Земле и вокруг нее для поддержки вычислительных процессов, и интеллектуальные вычисления начнут распространяться по остальной части вселенной.

Однако при конструировании новых машин мы всегда должны сознавать, какие возможны последствия от их применения. Программы для этих машин должны быть всегда точно определены, в противном случае могут быть не только положительные, но и вредные последствия. Человек, несомненно, изменяет окружающую среду чрезвычайно сильно, а делает ли он это свыше своей способности, мы узнаем довольно скоро. Или не узнаем – нас больше не будет.

Литература

1. Джордж Ф. Люггер, «Искусственный интеллект. Стратегии и методы решения сложных проблем», Москва, «Вильямс», 2003 г.
2. Норберт Винер, «Кибернетика», Москва, «Советское радио», 1968 г.
3. Алексеева И. Ю., «Человеческое знание и его компьютерный образ», Москва, «Наука», 1992 г.
4. Гэри Антес, «Формула жизни», Computerworld Россия, №4 (501), 2006, С. 36.
5. Андрей Плахов, «О проблеме создания искусственного интеллекта», Научно-популярный журнал «Мембрана», http://www.membrana.ru/articles/readers/2002/12/16/210400.html
6. Алан Тьюринг, «Могут ли машины мыслить?», Портал «Гуманитарное образование», http://humanities.edu.ru/db/msg/27602
7. Джесс Либерти, «Освой самостоятельно C++ за 21 день», Москва, «Вильямс», 2000 г.
8. Сергей Бобровский, «Перспективы и тенденции развития искусственного интеллекта», Week/RE №32, 2001 г., С. 32.
9. Сотник С. Л., «Экспертные системы. Базовые понятия. Методика построения. Статистический подход», сайт «Искусственный интеллект», http://ai.obrazec.ru/aiexpert.htm