Помоги проекту - поделись книгой:
Несмотря на критику, идеи символьной обработки привели к значительному успеху. Еще в 1955 году Ньюэлл, Саймон и Шоу разработали первую программу ИИ (даже до того, как был предложен термин «искусственный интеллект»). Они назвали ее «Логический теоретик» и на Дартмутской конференции в 1956 году с гордостью представили другим исследователям. Используя логические операции, программа могла доказывать математические формулы. Чтобы это продемонстрировать, Ньюэлл и Саймон взяли популярную книгу Альфреда Уайтхеда и Бертрана Рассела «Основания математики» и показали, что программа способна доказать многие из приведенных там формул. Более того, в некоторых случаях «Логический теоретик» предлагал более короткие и элегантные доказательства.
Аллен Ньюэлл, ученый-программист и когнитивный психолог в корпорации
В 1959 году появилось несколько других версий «Теоретика», одну из которых назвали «Универсальный решатель задач». Он смог проводить также логические и физические манипуляции и к тому же обладал очень важной особенностью, благодаря которой так хорошо работал: он отделял знания (символы) от метода, используемого для манипулирования этими знаниями. Манипулирование символами производилось с помощью программного обеспечения, названного «решатель», который использовал поиск, чтобы найти правильное решение.
Представьте, что вы робот и вам нужно переместить пирамидку из дисков разного размера с одного стержня на другой, сохраняя их в порядке уменьшения размера. Эта головоломка, называется «Ханойские башни». Вы можете перемещать лишь по одному диску за раз и брать диск только сверху. Нельзя положить диск большего размера поверх меньшего. И есть всего три стержня. Каким образом нужно перекладывать диски? В рамках каждого хода, учитывая текущее состояние стержней, возможны два или больше перемещений. Какой же диск выбрать? На какой стержень его перенести? После того как вы перенесете диск, у вас появится больше доступных ходов, и после очередного принятого решения их количество будет расти. Игра подобна дереву возможностей, каждая ветвь которого ведет вас к решению, если вы сделали верный ход. Но как с таким множеством вариантов выбрать правильный?
Решение – это поиск. ИИ представляет, что, делая выбор за выбором, он движется по дереву возможностей вниз и выносит суждение: в этот момент, если бы я сделал такой ход, я бы стал ближе к решению? Рассмотрев достаточное количество комбинаций вариантов, ему удается найти правильный путь, а значит, теперь можно принять следующее решение – я положу этот диск туда. После этого ИИ находит новое дерево возможностей, на один шаг дальше, и ищет следующий ход.
Поиск в сочетании с символическим представлением знаний стал стандартным подходом в ИИ. Независимо от того, ищет ли ИИ способ, как выиграть партию в шахматы или го, пытается доказать формулу или планирует маршрут, позволяющий роботу избежать препятствия на пути, он, вероятно, ищет среди тысяч, миллионов, а возможно, и триллионов вариантов. Размер пространства поиска быстро стал ключевым ограничивающим фактором в основанном на поиске символическом ИИ, поэтому было разработано много умных алгоритмов для удаления маловероятных областей «деревьев» или деления большой проблемы на более мелкие задачи. В меньшем пространстве и вариантов для поиска тоже меньше.
Все, что дает нам новые знания, дает нам возможность быть более рациональными.
Но размер пространства (его комбинаторика) все же оставался проблемой. По иронии судьбы выяснилось, что программы вроде «Универсального решателя задач» непригодны для решения общих задач – пространство возможностей оказывалось слишком большим, что делало поиск невозможным в обозримом временном промежутке. Хотя эти программы могли справиться с проблемой вроде головоломки «Ханойские башни», они пасовали перед сложностями реального мира. Как оказалось, большего успеха можно достичь, если каждый ИИ сосредоточить на определенной задаче. Создайте набор правил о соответствии медицинских симптомов и различных заболеваний. Тогда компьютер сможет задать ряд вопросов, например «вы чувствуете боль?», «это острая боль или тупая?», «где локализуется боль?» и так далее, которые выявят симптомы, и в результате предложить одну или несколько версий вероятных заболеваний.
Подобные версии ИИ известны как экспертные системы, и на какое-то время они стали чрезвычайно популярны (возможно, даже слишком, как вы поняли по предыдущей главе). Хотя у крупных экспертных систем есть проблемы с техническим обслуживанием, они продолжают использоваться в медицине для диагностики, системах поддержки для автомобильных инженеров, системах обнаружения мошенничества и интерактивных сценариях для продавцов.
Хранение знаний
Многие идеи символического ИИ связаны с тем, как лучше всего представлять и использовать информацию. Правила и структурированные фреймы (формы представления знаний) слились с объектно ориентированными языками программирования, и сегодня существует множество способов хранения знаний: например, вкладывание, при котором родительский объект «дерево» содержит дочерние элементы «дуб» и «береза», или передача сообщений, при которой объект «продавец» может отправить аргумент «скидка 10 %», чтобы вызвать действие с объектом «цена». Были созданы языки для представления всех знаний, иногда называемые онтологическими, со своими сложными структурами и правилами. Все они основаны на логике и могут быть объединены с автоматизированными системами формирования рассуждений, для того чтобы логически выводить новые факты, которые затем могут быть добавлены к их знаниям, или проверять соответствие существующих фактов.
Например, ИИ узнал, что «велосипед» – это вид «транспорта с педальным приводом», имеющий «два колеса». Если «тандем» – это вид «транспорта с педальным приводом», который тоже имеет «два колеса», то ИИ легко может вывести новый факт: «тандем – это разновидность велосипеда». Но другой вид «транспорта с педальным приводом», имеющий «ноль колес», не соответствует этому правилу, поэтому ИИ придет к выводу, что «катамаран» не является «велосипедом».
С развитием интернета компилировать обширный набор фактов становится все проще и проще. И одно из основных направлений при разработке общего искусственного интеллекта – это объединение достаточного объема знаний, чтобы ИИ мог начать помогать нам во многих областях.
Уильям Тунсталл-Педо развил эту идею. Он создал
Программа
Символический ИИ развивается вместе с интернетом. В то время как ИИ, такие как
Эта великая мечта о символическом ИИ, к сожалению, не была принята большинством веб-разработчиков – они продолжают размещать огромные объемы данных в интернете в форме, которую ИИ с трудом распознает. Но такая необходимость становится насущной. Было подсчитано, что в 2019 году 80 % новых данных оказались неструктурированными, то есть не были представлены в такой форме, которую могут понять компьютеры, – это текстовые документы, изображения и видео. (Подумайте обо всех электронных письмах и отчетах, которые вы пишете в виде «свободного текста», не разбивая его на разделы. Или о фотографиях и видео, что вы снимаете на телефон, – вы не просматриваете и не обозначаете каждую сцену или элемент в кадре.) В то же время объем данных растет с каждым годом. В 2019 году число пользователей интернета составило 4,4 миллиарда, что на 80 % больше чем пятью годами ранее, и ежедневно отправлялось 293 миллиарда электронных писем. Каждую секунду в
У меня есть мечта…[7] Машины смогут анализировать все данные в сети… сегодняшние механизмы торговли, бюрократии и повседневной жизни будут управляться машинами, разговаривающими с машинами, оставив людям вдохновение и интуицию.
У нас больше нет выбора: ни один человек не сможет осмыслить эти ошеломляющие объемы данных. Наша единственная надежда – использовать ИИ в качестве помощника. К счастью, об этом речь пойдет в следующих главах, другие формы ИИ теперь способны обрабатывать неструктурированные и немаркированные данные и помечать их особыми метками, давая символическим ИИ то, что им необходимо, чтобы оперировать такими данными. В конце концов, пожалуй, не имеет значения, будет ли это истинный интеллект (сильный ИИ) или своего рода притворный (слабый ИИ). Обработка символьных сетей в соответствии с правилами позволяет нашим компьютерам осмысливать обширную вселенную данных. Так что, возможно, мечта Бернерса-Ли однажды все же станет реальностью.
03. Мы все падаем
Вы учитесь ходить не следуя правилам. Вы учитесь пробуя и падая.
Мы видим зернистые кадры из фильма. Странный робот, похожий на неустойчивый фотокопировальный аппарат на колесах, с камерой вместо головы, кружит вокруг пространства, занятого большими цветными кубиками и другими простыми фигурами. Слышны мягкие джазовые интонации песни
В
Таким было состояние робототехники в 1972 году. Шейки (чей мозг создавался на основе большого компьютера) мог использовать камеру, чтобы распознавать простые объекты вокруг себя, строить модель своего примитивного мира и планировать, куда идти и что делать, а также прогнозировать, как его действия будут менять эту его внутреннюю модель. Шейки не был очень быстрым или очень умным, но он представлял собой революцию в исследованиях ИИ. Впервые ИИ позволил роботу ориентироваться и выполнять действия (хотя и в очень дружелюбной среде).
Это стало отличным началом, но сложности по-прежнему оставались. Планирование и принятие решений требовали большого количества вычислительных мощностей, поэтому – вспомним также об ограниченности обзора тогдашних систем – Шейки и роботы, подобные ему, были медлительны, ненадежны и не могли работать в условиях реального мира. Этот способ создания разумных роботов считался общепринятым, но исследователи понимали, что добиваться прогресса становится все труднее. Так возникло желание внести немного беспорядка в логичный и понятный подход к робототехнике. И это привело к разделению исследователей на два лагеря: «чистюль» и «грязнуль».
Конструкция роботов сложна. Достаточно непросто заставить их двигаться, но проблемы, связанные с контролем и восприятием окружающего мира, – это та область, где необходима помощь ИИ. В 1960 году, когда полностью работоспособного ИИ еще не существовало, роботы выглядели достаточно пугающе. Разработанный компанией
Слоны не играют в шахматы
Тогда как «чистюли» предпочитали тщательно разработанные и математически выверенные методы, «грязнули» заявляли, что такие методы работают лишь в искусственно созданном мире. Если вы пытаетесь создать робота, который может передвигаться и понимать свой мир, то предположение, что окружающая действительность идеальна, приведет к провалу. Родни Брукс, основатель компании
Брукс – практик, и после многолетнего опыта создания роботов он нашел другой подход. Он считает, что мир – это лучшая модель, поэтому мы должны позволить ему напрямую влиять на поведение робота без каких-либо символов – мы должны связать восприятие с действием.
Эту идею впервые исследовал Грей Уолтер с его роботами-черепахами, как вы помните из первой главы. Брукс назвал свой подход «предикативной архитектурой». В соответствии с ним поведением робота управляет ряд простых модулей, каждый из которых прерывает другого, если его потребности становятся первоочередными. К примеру, один робот отвечает за перемещение робота к цели, другой – за преодоление препятствий. Первый будет иметь приоритет, пока не возникнет что-то неожиданное и второй модуль не перехватит контроль. Брукс представлял поведение, используя системы с конечным числом состояний.
Мы утверждаем, что идея символьной системы, на которой основан классический ИИ, в корне неверна.
Конечные автоматы – это типичный вариант архитектуры «мозга» роботов. Они работают, определяя последовательность состояний, в которых может находиться робот. Например, у очень простого робота может быть три состояния: случайное движение, движение вперед и поворот. Он может переходить из одного состояния в другое, получая определенные сигналы. Поэтому каждый раз, когда робот определяет цель, он переключается в состояние движения вперед (или поддерживает его). Если же робот обнаруживает впереди препятствие, он переключается в состояние поворота (или поддерживает его). Если ничего не происходит, он переключается в состояние случайного движения (или поддерживает его, см. схему). Это задает простую архитектуру, в которой робот случайным образом движется, избегая препятствий, пока не найдет цель. Если добавить дополнительные конечные автоматы, подключенные к одним и тем же датчикам и исполнительным механизмам, и дать некоторым из них приоритет над другими в зависимости от сигналов с датчиков и состояний, можно получить предикативную архитектуру.
Брукс объяснял это так: «Если я пытаюсь быстро добраться куда-то, я не думаю о том, куда поставить ноги. За движение моих ног отвечает другой уровень [сознания]. Отдельные процессы идут параллельно. Это идея, основанная на поведенческом подходе». Шестиногий робот Брукса по имени
Этот подход привел к легкому и быстрому запуску ИИ, который позволял роботам делать больше, чем когда-либо прежде, используя при этом меньше вычислений. Брукс продемонстрировал эффективность своего подхода с помощью многочисленных проектов (и компаний), в рамках которых впервые было разработано множество различных типов роботов, в том числе марсоход
Марсоход
Послушные роботы
По большому счету предикативная архитектура была получена путем упрощения комбинации конечных автоматов до поведенческих деревьев (довольно элегантный способ представления одних и тех же понятий). Их использовали в индустрии компьютерных игр, чтобы управлять поведением «виртуальных роботов» – пришельцев, монстров и других персонажей, что бросают нам вызов.
Легкие сверхбыстрые модули управления, которые объединяют восприятие и действие и при необходимости активизируются, легли в основу практического роботостроения. Компания
Получается, что с такой удивительной технологией, более совершенными приводами, датчиками, батареями и ИИ мы уже как никогда близки к появлению человекоподобных роботов, которые будут помогать нам дома и на рабочих местах? Не совсем. ИИ и роботы умны, но они не проходят один простой тест. Ни один робот с искусственным интеллектом не может ходить по дому, ни во что не врезаясь и не падая. Простая прогулка без остановки может казаться гораздо менее сложным занятием, чем распознавание речи. Но на самом деле это не так. Управление роботами в меняющейся обстановке остается одной из ключевых проблем, и это обусловлено рядом факторов.
Чтобы иметь возможность плавно и легко перемещаться, роботу требуется все больше исполнительных механизмов (двигателей, пневматических поршней или других мускулоподобных приводов) и датчиков. Но увеличение первых в среде с большим количеством помех означает появление хаотично возникающих, непредсказуемых проблем с управлением, а вторых – растущий объем данных, которые необходимо обрабатывать и распознавать. Причем обработка этих данных должна происходить достаточно быстро, поскольку если для выяснения того, где находится конечность, роботу понадобится слишком много времени или конечность будет неправильно размещена, то, прежде чем робот узнает об этом, он окажется на полу. Поэтому большинство роботов с ногами по-прежнему падают. И довольно часто, надо сказать.
Сегодня и в обозримом будущем самые эффективные роботы не человекоподобные, а такие, форма которых идеально соответствует их функциям. Наши заводы полны роботизированных рук, спроектированных для сборки разнообразных массовых продуктов. В новейших операционных стоят медицинские роботизированные аппараты для жизнеобеспечения и помощи при сложных операциях. Ваша стиральная машина – робот. Ваша система центрального отопления и кондиционер – тоже роботы. И пусть они не могут ходить по нашим домам, у нас есть роботы-пылесосы, работающие большую часть времени, не застревая при этом слишком часто.
На что, как все думали, будет похож робот-пылесос? Наверняка все представляли Рози – робота-домработницу из The Jetsons[8], которая сама управляла пылесосом. Что ж, этого никогда не произойдет.
Самостоятельные автомобили
Возможно, самый захватывающий вид роботов, управляемых ИИ, который начал становиться реальностью в последние несколько лет, – это автономные, или беспилотные, автомобили. Впервые их продемонстрировали еще в 1980-х годах, когда в рамках ряда американских проектов были разработаны автомобили, способные проехать автономно несколько тысяч километров и ездить как днем, так и ночью. Однако компьютерное зрение все еще оставалось примитивным, а потому – несмотря на значительное финансирование со стороны Управления перспективных исследовательских проектов, армии и флота США – настоящий прорыв произошел лишь тогда, когда методы вроде глубокого обучения усовершенствовали способность ИИ обрабатывать изображения, полученные с камер и с помощью системы
Пользователи были менее восприимчивы к высокому уровню автономии и демонстрировали низкий уровень намерения использовать высокоавтономные транспортные средства.
Автономные автомобили недостаточно умны, чтобы быть полностью автономными все время. Хотя ИИ научились распознавать другие транспортные средства и пешеходов, им не хватает осмысления и понимания контекста того, что они воспринимают, а потому они не могут достичь уровня хорошего водителя. В настоящее время все беспилотные автомобили требуют постоянного контроля со стороны водителя-человека, который возьмет на себя управление, если ИИ запутается. Владельцы подобных транспортных средств иногда не понимают этого, что уже привело к нескольким смертельным случаям. Но даже если и понимают, всегда оставаться наготове, чтобы при необходимости за доли секунды вернуть контроль над автомобилем, довольно непросто. Для оценки этой способности может потребоваться новый вид экзамена по вождению. Кроме того, несчастные случаи поднимают вопрос об ответственности. Если вы не управляли автомобилем, когда тот повредил другой при столкновении, тогда кто же виноват и должен отвечать – вы или разработчик ИИ вашего автомобиля? Ведь если полностью автономное такси вызвало аварию, в результате которой получили травмы или погибли люди, вряд ли можно подать в суд на пассажиров такого такси.
Роботы в нашем обществе
Автономные транспортные средства выдвигают на первый план один из самых трудных аспектов – введение роботов в наше общество. Ведь с ними оно неизбежно изменится. Запуск технологии автономного вождения неизбежно приводит к снижению нашего мастерства вождения, делает людей-водителей менее способными, а дороги – менее безопасными. И если через несколько лет полностью автономные машины будут усовершенствованы, увидим ли мы детей, играющих в «останови машину» – поднимающих ногу и заставляющих ИИ предположить, что они собираются перейти дорогу? А как это повлияет на рабочие места?
Специалисты прогнозируют, что новые роботизированные технологии затронут преимущественно регионы с низким уровнем дохода, при этом в первую очередь пострадают малоквалифицированные работники – их рабочие места будут сокращены. Однако не все новости плохие. Анализ показывает, что чем быстрее страны начнут внедрять эти технологии, тем быстрее окажется кратко– и среднесрочный рост их экономики в целом, что в итоге приведет к созданию большего количества рабочих мест.
К 2030 году до 20 миллионов рабочих мест по всему миру могут быть заменены роботами.
В конечном счете, хотя ИИ и роботы кажутся пугающими, они являются не чем иным, как очередной новой технологией, а люди создают новые технологии на протяжении тысячелетий. Каждый раз, когда это происходит, виды деятельности, которые зависели от предыдущих технологий, устаревают. Но каждое изобретение может привести к созданию совершенно новой отрасли. Хотя рабочим на фабриках теперь уже не нужно собирать так много товаров вручную, требуется больше людей для создания, обслуживания и программирования роботов. Хотя количество водителей такси и грузовиков может уменьшиться, в строительной отрасли будет создано больше рабочих мест для обеспечения дорожной инфраструктуры, подходящей для автономных транспортных средств, а также для производства и обслуживания этих значительно более сложных машин. (Не говоря уже об адвокатах, необходимых для ведения запутанных судебных процессов.)
Унаследуют ли роботы Землю? Да, но они будут нашими детьми.
Ключевой вопрос, который мы должны задать, – не когда автономные автомобили будут готовы к передвижению по дорогам общего пользования, а какие дороги будут готовы к автономным автомобилям.
Разработка ИИ, которые управляют роботами, на что бы эти роботы ни были похожи, остается приоритетной темой для исследований. Существует множество нерешенных технических проблем, и пройдут многие десятилетия, прежде чем неконтролируемые ИИ в неуправляемых средах станут достаточно безопасными, чтобы мы могли доверить им свою жизнь. Однако, пожалуй, всегда должен оставаться выбор, хотим ли мы, чтобы это произошло. Роботы – это уже реальность, но как мы примем ее, зависит от нас.
04. В поисках правильного ответа
Если есть способ сделать это лучше – найди его.
Мы видим странную змееподобную фигуру, каким-то образом сделанную из кубических блоков, волнообразно изгибающуюся и плывущую по воде. А теперь – три массивные фигуры, похожие на головастиков и грациозно скользящие по глади, что, казалось бы, противоречит их
Это эволюционирующие виртуальные существа компьютерного художника и исследователя Карла Симса – работа, которая вдохновила сотни ученых с тех пор, как он опубликовал ее в 1994 году. Его зверинец плавающих, ходящих, прыгающих и конкурирующих друг с другом существ поразил научное сообщество.
Тогда как их виртуальные тела могли состоять из набора относительно простых блоков, их искусственный мозг представлял собой очень сложную сеть из математических функций и операций, которые использовали данные с сенсоров и демонстрировали разумно выглядящие движения и поведение. Существа передвигались в идеально смоделированных виртуальных мирах с симулированной водой, где они могли плавать, а также с симулированными сушей, гравитацией и законами физики, что позволяли им ходить, бегать или прыгать.
Но этого оказалось недостаточно, чтобы удивить других ученых. Поистине новаторским был тот факт, что Симс не программировал этих существ. Он не спроектировал ни одного из них, не создавал их тела и мозг. Он был поражен, как и все остальные, когда впервые увидел их. Виртуальные существа Симса эволюционировали самостоятельно.
Эволюция искусственной жизни
Для развития своих виртуальных существ Симс использовал генетический алгоритм, в котором мерой качества (или «функцией приспособленности») являлось то, насколько далеко они могли плавать, ходить или прыгать – чем дальше, тем лучше. Для решения этой проблемы генетическому алгоритму пришлось развивать как тела, так и мозг виртуальных существ. Симс даже не знал, как работала программа. Но он мог видеть результат. Описывая свою работу удивленной аудитории на Международной конференции по моделированию адаптивного поведения в 1994 году, он объяснил, насколько сложным стал мозг его творений. Черепахоподобное существо, например, имело тело, состоящее из пяти простых блоков, но код, лежащий в основе его мозга, в распечатанном виде занял бы значительную часть большого конференц-зала. «Это позволяет нам выйти за рамки того, что мы можем создать, – заключал Симс. – Если бы я сам попытался соединить эти датчики, нейроны и эффекторы, то, возможно, никогда бы не нашел хорошее решение, но эволюция все еще способна его отыскать».
«Эволюция в компьютере» звучит странно, но этот подход к ИИ существовал с первых дней развития компьютеров. Вместо того чтобы пытаться написать программу, которая решает проблему, выполняя вычисления и выводя ответ, специалисты, предпочитающие эволюционный подход, создают виртуальный мир и позволяют компьютеру находить решение самостоятельно, генерируя все лучшие и лучшие его варианты. Генетический алгоритм – один из инструментов такого подхода. Он работает, создавая случайную совокупность довольно бесполезных решений, ранжируя их по степени соответствия (того, насколько хорошо они решают проблему) и позволяя развиваться только наиболее подходящим. Затем новое поколение решений ранжируется по степени точности, и вновь лучшие отбираются для следующего раунда. Неизменно дочерние программы наследуют от своих родителей цифровой генетический код, смешанный таким образом, что каждому потомку от каждого из родителей достаются случайные куски кода со случайными мутациями, привносящими новизну. После того как генетический алгоритм проработает достаточно много поколений, в образовавшейся популяции программ образуются вполне подходящие варианты решения проблемы.
Симс был не единственным пионером, продемонстрировавшим оригинальность и новизну цифровой эволюции. Пятью годами раньше Уильям Лэтэм и Стивен Тодд написали программу
Некоторые существа выглядели так, будто они с чужой планеты… они постоянно развивались, всегда немного меняя форму.
В 1983 году Уильям Лэтэм, молодой британский художник с необычными идеями, был очарован природой и сложными формами живых существ. Он начал развивать свой собственный стиль, рисуя обширные генеалогические древа и родословные линии воображаемых форм, которые медленно менялись со временем в соответствии с правилами наследственности и изменчивости. Вскоре Лэтэма пригласили стать научным сотрудником в исследовательской лаборатории
Генетические алгоритмы и их близкие родственники, эволюционные стратегии и эволюционное программирование, восходят к самым ранним дням информатики. Алгоритмы, работающие по принципу муравьиных колоний, и искусственные иммунные системы оказались сравнительно недавними дополнениями 1990-х годов. За последние несколько лет исследователи показали, как много естественных процессов могут вдохновлять создателей программ. Существуют алгоритмы оптимизации, основанные на поведении пчел и естественных процессах, таких как осевые силы, интеллектуальный алгоритм капель воды и динамика формирования реки. Другие имитируют поведение крупных млекопитающих, например их миграцию, или, довольно многие, – поведение насекомых и даже растений. И это не говоря уже о тех алгоритмах, что подражают птицам и рыбам!
Решения, найденные естественным путем
Генетические алгоритмы использовались для широкого спектра разнообразных приложений: от планирования рабочих мест на фабриках до оптимизации инженерных проектов. Эти алгоритмы также – один из постоянно развивающихся методов оптимизации ИИ, вдохновленных природой. Алгоритм муравьиной колонии определяет оптимальный маршрут для водителей службы доставки подобно тому, как муравьи учатся находить кратчайший путь между едой и своим домом. Алгоритм пчелиного роя заставляет виртуальные частицы «летать вокруг», как рой пчел, ищущих цветы, в поисках наилучшего решения. Искусственные иммунные системы имитируют поведение человеческой иммунной системы, они могут обнаруживать компьютерные вирусы и даже контролировать роботов. Более того, исследователи заставляют компьютеры программировать самих себя за счет эволюции их собственного кода (или отладки кода), используя генетическое программирование.
Алгоритмы, основанные на поиске, являются отдельной ветвью ИИ. Поиск – это умопомрачительный трюк, который любят проворачивать ученые. Как вы помните из предыдущей главы, можно представить пространство возможностей. При поиске решения общей проблемы область поиска может быть больше похожа на трехмерное пространство, в котором мы перемещаемся, то есть иметь измерения
Так, точка (2, 3, 4) является решением с переменными
Если подумать, любой интеллект основывается на идее улучшения. Когда мы пытаемся чему-то научиться, мы продолжаем практиковаться, пока не станем достаточно искусны в этом. Когда мы пытаемся создать хорошего робота, мы продолжаем совершенствовать его конструкцию, чтобы он работал все лучше и лучше. И для нашего технологического мира, от проектирования до производства, от маркетинга до дистрибуции, поиск лучших решений – это благо. Если существует более надежное, более популярное, более эффективное и при этом менее затратное решение, мы хотим его найти.
ИИ и поиск всегда шли рука об руку. Как вы помните из второй главы, поиск был наиболее распространенным способом, которым принимали решения символические ИИ. Аналогичным образом исследователи используют поиск в алгоритмах. Он применяется и на гораздо более сложных этапах – даже при проектировании мозга роботов. Вдохновленные идеями Брукса о том, как можно связать восприятие с действием (см. главу 3), большинство исследователей в области эволюционной робототехники используют несимволический мозг для своих роботов. Строительные блоки для него могут быть сделаны из подобия нейронов, конечных автоматов, наборов правил или математических формул, а в качестве клея для этих строительных блоков, для соединения их с сенсорами и эффекторами, чтобы роботы могли выполнять реальные задачи, применяют поиск.
Система управления, которая когда-нибудь и в самом деле сгенерирует «разумное» поведение, может оказаться полнейшей путаницей за пределами нашего понимания.
Эволюционирующие роботы
Дарио Флореано – один из немногих пионеров в этой области. Он заставил эволюционировать схему из моделей нейронов, чтобы мозги у его роботов создавались автоматически. И принялся развивать эти мозги, пытаясь научить роботов ориентироваться в лабиринте или отслеживать свое местоположение, а также возвращаться и заряжаться как раз перед тем, как батареи разрядятся. Но Флореано не просто заставляет мозги развиваться – он хочет знать, как они работают. Поэтому он вскрывает их и исследует отдельные нейроны, чтобы увидеть, какие из них активируются при определенном поведении. Даже если информация закодирована в таинственной сети нейронов, в компьютере, в отличие от биологических организмов, мы можем исследовать все до мельчайших деталей и пронаблюдать, как искусственный мозг думает, видя каждый нейрон и то, что он делает, когда робот демонстрирует различное поведение.
Поделиться книгой: