1.2. Этапы развития искусственного интеллекта

Исследования в области ИИ начались сразу же после появления первых электронных компьютеров. За 50 лет ИИ прошел в своем развитии несколько этапов. Опишем их в хронологическом порядке.

Становление искусственного интеллекта (1943 - 1956 гг.). Работы в области искусственного интеллекта начались с зарождения нейрокибернетики. Связано это было с тем, что основу мозга образуют нервные клетки – нейроны. Поэтому исследователи в ранний период развития ИИ пытались строить разумные машины, имитируя поведение коллектива нейронов. В 1943 г. У. Маккаллох и У. Питтс предложили модель формального логического нейрона, который мог находиться в двух устойчивых состояниях. Д. Хебб (1949 г.) разработал простое правило, позволяющее изменять веса связей между нейронами с целью их обучения. В 1951 году М. Минский и Д. Эдмондс разработали нейрокомпьютер, который содержал 40 нейронов. Эти первые работы в области ИИ обозначили два основных подхода к разработке СИИ – логический и коннекционистский.

Термин "искусственный интеллект" был предложен на семинаре с аналогичным названием, который проходил в Дартсмутском колледже (США) летом 1956 года. Семинар был организован М. Минским и Дж. Маккарти. Среди участников семинара были Г. Саймон и А. Ньюэлл, которые разработали программу “Логик-теоретик”, предназначенную для доказательства теорем в исчислении высказываний. Именно этих четырех исследователей считают “отцами” ИИ. М. Минский и Дж. Маккарти основали лабораторию ИИ в Массачусетском технологическом институте, а Г. Саймон и А. Ньюэлл в университете Карнеги-Меллона. Позже Дж. Маккарти перешел в Стэнфордский университет. В этих трех университетах, а также в Эдинбургском университете выполнялись первые работы, обеспечившие становление ИИ.

Эвристический поиск и доказательство теорем (1956 – 1969 гг.).Работы Г. Саймона и А. Ньюэлла по созданию программы "Логик-теоретик" были завершены в 1957 г. С помощью этой программы был успешно доказан ряд теорем из книги Уайтхеда и Рассела "Principia mathematica". Один из недостатков программы состоял в том, что она неэффективно осуществляла поиск решений. А. Ньюэлл и Г. Саймон заинтересовались общими методами поиска решений, приступив к созданию следующей программы, которую назвали "Универсальный решатель задач". Эту программу обычно называют GPS по первым буквам английского названия General Problem Solver. GPS разрабатывалась с целью имитации процесса решения задач человеком и базировалась на идеях эвристического поиска.Эвристика – правило, полученное опытным путем, которое позволяет сократить количество переборов в пространстве поиска решений.

Программа GPS могла настраиваться на предметную область. Для этого необходимо было задавать структуру состояний задачи и операторы, преобразующие эти состояния. Решение задачи осуществлялось на основе поисковых алгоритмов в пространстве возможных решений по эвристиче ским правилам, которые направляли поиск к искомой цели. GPS была, вероятно, первой программой, которая использовала способы рассуждений, свойственные человеку.

В этот же период Дж. Маккарти создает язык Лисп, который становится доминирующим языком программирования систем ИИ. В 1958 году Маккарти публикует статью "Программы и здравый смысл", в которой описывает гипотетическую программу "Advice Taker", центральной идеей которой было представление знаний и логический вывод.

Идея Маккарти использовать логику для построения СИИ была развита в работах Дж. Робинсона. В 1965 г. Робинсон разрабатывает метод резолюций, который позволяет автоматизировать процесс доказательства теорем при наличии исходных аксиом. Логические представления кладутся в основу вопросно-ответной системы, разработанной К. Грином (1969 г.), и в основу робота "Шейки", который был создан в 1969 г. в Стэнфордском исследовательском институте.

В начале 60-х годов интенсивно развивались исследования в области нейронных сетей. Правило адаптации весов связей нейронных элементов, предложенное Д. Хеббом, было усовершенствовано в работах Б. Уидроу (1962 г.), который разработал нейронную сеть под названием Adaline, а также в работах Ф. Розенблатта, создавшего персептрон (1962 г.). Персептрон Розенблатта представлял собой устройство, предназначенное для распознавания зрительных образов. В частности, с помощью персептрона можно было различать буквы алфавита. Розенблатт доказал теорему сходимости персептрона, обеспечившую теоретическую базу алгоритмам обучения персептрона. Однако возможности персептрона Розенблатта оказались весьма ограниченными. Он не мог распознавать частично закрытые буквы, а также буквы иного размера, нежели те, которые предъявлялись ему в процессе обучения. Вскоре М. Минский в соавторстве с С. Пейпертом (1969 г.) написал книгу, в которой доказал, что персептрон Розенблатта не в состоянии выполнять многие функции, предсказанные Розенблаттом. Это привело к сокращению ассигнований, выделяемых на развитие нейроинформатики, о чем позже Минский высказывал сожаление.

Таким образом, к концу 60-х годов основное внимание в области ИИ стало уделяться методам представления задач и поиску решений, в частности, представлению задач в логической форме и автоматическому доказательству теорем на основе метода резолюций.

Представление знаний (1969 – 1979 гг.). К концу 60-х годов было обнаружено, что для решения практически важных задач недостаточно одних знаний общего характера (общих стратегий поиска решений). Успешное решение прикладных задач возможно только при наличии хорошо структурированных специальных знаний. Программа DENDRAL, разработанная в 1969 году Э. Фейгенбаумом, Б. Букхененом и Э. Ледербергом, содержала детальные сведения из области органической химии и помогала химикам определять молекулярную структуру неизвестных органических соединений по данным, получаемым с помощью масс-спектрометра. Масс-спектрометр, разделяя молекулы на фрагменты, измеряет массу и электрический заряд каждого из фрагментов. Чтобы определять множество форм молекул, которые могут состоять из таких фрагментов, в программе DENDRAL использовались эмпирические знания химиков, представленные в форме правил "если-то". Это позволило резко сократить число предлагаемых вариантов решений.

DENDRAL была первой успешно реализованной программой, аккумулирующей знания экспертов. Такие программы получили название"экспертные системы". Они содержали большой объем практических знаний, что позволяло им давать ответы на специальные вопросы в той или иной области.

Вдохновленные успехом программы DENDRAL Э. Фейгенбаум, Б. Букхенен и Э. Шортлифф разрабатывают экспертную систему MYCIN. Система MYCIN содержала около 450 правил, позволяющих диагностировать инфекционные заболевания крови. Важным отличием системы MYCIN от DENDRAL было то, что MYCIN позволяла осуществлять правдоподобные заключения на основе ненадежных знаний. С этой целью факты и правила в системе MYCIN характеризовались коэффициентами уверенности.

Авторы системы MYCIN пошли дальше, когда удалили из нее базу знаний, т.е. всю медицинскую информацию. Оставшаяся часть системы содержала только логику управления правилами и была названа EMYCIN (пустая MYCIN). EMYCIN представляла собой оболочку экспертной системы, которую можно было наполнять знаниями. Подобные системы стали применять в самых разных областях – от определения конфигурации компьютерных систем до геологической разведки.

Искусственный интеллект перестал быть чистой наукой и начал приносить практическую пользу. Большой успех имела экспертная система PROSPECTOR (1979 г.), с помощью которой были открыты залежи молибдена. В системе PROSPECTOR база знаний представлялась в виде семантической сети. Система обеспечивала взаимодействие с пользователем на естественном языке.

Семантические сети были предложены в 1967 году М. Куиллианом. В это время важность предметных знаний стала осознаваться при решении задачи понимания естественного языка. Существенный шаг в этом направлении сделал Виноград, который разработал программу SHRDLU (1968 г.). Программа содержала знания о некотором игрушечном мире, в котором можно было перемещать с помощью естественно-языковых команд кубики и пирамиды.

Дальнейшее совершенствование систем понимания естественного языка связано с именами Р. Шенка и В. Вудса. Шенк разработал программу, преобразующую входные естественно-языковые высказывания к элементарным концептам, которые можно было представлять в памяти ЭВМ. В дальнейшем в сотрудничестве с Р. Абельсоном он разработал модель представления знаний, называемую "скриптами", или сценариями.Шенк использовал скрипты в программе SAM, которая могла интерпретировать рассказы. В 1973 году В. Вудс создает систему LUNAR, которая позволяла геологам задавать вопросы на естественном языке относительно образцов пород, доставленных с Луны. LUNAR была первой используемой на практике системой с естественно-языковым интерфейсом доступа к базе данных.

Расширение приложений СИИ требовало развития моделей представления знаний. В рассматриваемый период были разработаны различные языки представления знаний. Некоторые из них базировались на логике. Так, в 1973 году А. Колмероэ создает язык логического программирования Пролог, ставший популярным в Европе. В США создается язык PLANNER, поддерживающий предикатный уровень представления знаний. Часть языков использовала теорию фреймов, предложенную М. Минским (1975 г.). Фрейм представляет информационную структуру, состоящую из слотов, в которых собраны характеристики и соответствующие значения, обеспечивающие описание объектов или понятий. Фреймы организуются в иерархические сети, что позволяет экономно представлять знания в памяти ЭВМ. Для работы с фреймовыми моделями представления знаний были разработаны языки FRL, KRL, GUS и др.

Коммерческий успех (1979 – 1988 гг.). Первой интеллектуальной системой, нашедшей применение в промышленности, стала экспертная система К1, разработанная Мак-Дермоттом (1982 г.). Система К1 применялась для определения конфигурации компьютерных систем семейства VAX. Коммерческая версия системы, разработанная корпорацией Digital Equipment совместно с университетом Карнеги-Меллона (США), получила название XCON. К 1986 году система XCON позволяла корпорации Digital Equipment экономить 70 млн. долларов ежегодно. Кроме этого, применение системы сократило число ошибок с 30% до 1%.

Экспертные системы начинают широко применяться и в других корпорациях и фирмах, например, American Express сократила свои затраты на 27 млн. долларов в год благодаря экспертной системе, управляющей выдачей кредитов.

В 1981 году Япония объявляет о начале проекта машин V поколения, базирующихся на принципах ИИ. Проект был рассчитан на 10 лет и предусматривал, среди многих целей, создание Пролог-машины с возможностями общения на естественном языке. Этот проект способствовал активизации исследований в области ИИ во многих странах. К разработке интеллектуальных систем подключились многие компании – Texas Instruments, Xerox, Symbolics и др. Объемы финансирования проектов в области ИИ за 1980-1988 гг. выросли с нескольких миллионов до 2 млрд. долларов в 1988 году.

Возрождение нейроинформатики (с 1986 г. по настоящее время).После доказательства М. Минским ограниченных возможностей первых нейронных сетей исследования в этом направлении выполнялись учеными других областей знаний. В 1982 г. физик Дж. Хопфилд опубликовал работу, в которой проанализировал методами статистической механики свойства однослойной нейронной сети с симметричными связями. Хопфилд обнаружил возможность применения такой сети в задаче распознавания образов. Психологи Д. Румельхарт и Г. Хинтон, изучавшие модели нейросетевой памяти, заново открыли в 1986 году алгоритм обучения многослойного персептрона, названный алгоритмом обратного распространения ошибки. Ранее этот алгоритм был открыт Брайсоном и Хо в 1969 году [84].

Указанные две работы послужили толчком к лавинообразному росту применений моделей нейронных сетей для решения практических задач. Помимо теоретических разработок, этому способствовало и появление мощных аппаратно-программных средств, позволяющих моделировать нейронные сети достаточного уровня сложности.

В настоящее время модели нейронных сетей применяются в самых различных областях.

Коллективистские модели ИИ (с 1996 г. по настоящее время).Рассмотренные выше этапы развития ИИ характеризуются разрозненными подходами, основанными на выделении частного свойства понятия "интеллект". Например, принцип знаниецентризма обусловил развитие и господство в течение определенного периода когнитивистских моделей ИИ, в частности, логических. В соответствии с такими моделями на первый план выдвигается способность интеллектуальной системы рассуждать, а действия (поведение) рассматриваются как нечто вторичное. Основное внимание при этом уделяется логическому выводу. Выделение в определении ИИ функции обучения (адаптации) способствовало развитию коннекционистских (нейронные сети) и эволюционных моделей (генетические алгоритмы).

Трактовка ИИ с позиций способности к восприятию и коммуникации привела к развитию моделей понимания изображений и естественного языка.

Выделение и гиперболизация отдельных свойств интеллекта способствовали противопоставлению и расхождению различных школ ИИ. К на чалу 90-х годов исследователи начали осознавать, что подобные трактовки ИИ носят весьма ограниченный характер и не учитывают реалии развития интеллекта человека. Во-первых, естественный интеллект интегрирует в себе весь спектр свойств интеллекта. Во-вторых, интеллектуальное развитие человека происходит в обществе, в процессе выполнения им определенной деятельности. В отрыве от взаимодействия с себе подобными развитие естественного интеллекта проблематично. Поэтому, начиная с начала 90-х годов, в ИИ стали преобладать две основные тенденции – интеграция и децентрализация [41,77,84,95].

Интеграционные процессы проявились в разработке гибридных систем искусственного интеллекта, объединяющих в себе преимущества разнородных моделей, например, нечеткие экспертные системы и нейронные сети. В таких интегрированных системах могут поддерживаться различные модели представления знаний, разные типы рассуждений, модели восприятия и распознавания образов.

Процессы децентрализации связаны с рассмотрением ИИ с позиций коллективного поведения большого числа взаимодействующих между собой интеллектуальных агентов. При этом интеллект агента рассматривается как подсистема управления деятельностью в процессе взаимодействия агента с другими агентами.

В основе распределенного (децентрализованного) интеллекта лежит функционально-структурная единица – агент, способная [41]:

• воздействовать на других агентов и самих себя;

• образовывать свои собственные цели;

• общаться с другими агентами;

• функционировать без прямого вмешательства со стороны любых

• средств и осуществлять самоконтроль (автономность);

• воспринимать часть среды своего функционирования;

• строить локальное представление среды;

• выполнять обязанности и оказывать услуги;

• самовоспроизводиться.

Важно отметить, что при решении конкретной задачи агенты образуют структурированное сообщество, в котором наблюдается определенная кооперация между агентами. Например, можно говорить об агентах, выполняющих простую передачу сообщений, о координирующих агентах, которые организуют взаимодействие в сообществе (группе) агентов, о поисковых агентах, которые анализируют большие объемы информации и возвращают результат поиска, об агентах, формирующих понятия, и др.

Таким образом, согласно коллективистской модели основным объектом исследований ИИ является сообщество неоднородных, взаимодействующих агентов, а основное содержание разработок связано с созданием интеллектуальных агентов, обладающих заданными свойствами, и вычислительных структур, поддерживающих взаимодействие агентов.

В дальнейшем рассматриваются классические модели и процедуры ИИ, которые могут быть положены в основу построения агентов различных видов. Вопросы взаимодействия агентов, определяющие архитектуру многоагентных систем, выходят за рамки книги. Подробнее см. [63,84,89].