История искусственного интеллекта – это череда взлетов и падений.
Первый взлет произошел на рубеже 1960-х и 1970-х годов, когда исследовательские проекты по типу Шейки вызывали бурю эмоций. Финансирование этих проектов потекло рекой и спровоцировало ряд уверенных прогнозов о том, что будущее и умные машины уже не за горами. Но к 1974 году такая уверенность сменилась всеобщим разочарованием. Ограниченные возможности искусственного интеллекта стали все более очевидными, и мы вступили в эпоху под названием «зима искусственного интеллекта».
Парламент Великобритании обратился к профессору сэру Джеймсу Лайтхиллу[40] с просьбой оценить текущее состояние исследований в области искусственного интеллекта. В опубликованном в 1973 году отчете он был крайне критичен, отмечая, что «ни в одной области науки сделанные на сегодняшний день открытия не оказали того значительного воздействия, которое было когда-то обещано». Лайтхилл также утверждал, что экспоненциальный рост возможных исходов означает, что алгоритмы ИИ подходили только для решения «игрушечной» версии проблем, тогда как в реальности, вероятнее всего, их решение застопорилось бы.
В Соединенных Штатах финансирование области искусственного интеллекта оказалось под угрозой. Несмотря на огромные вложения, прогресс в области машинного перевода и распознавания речи оценили как незначительный. Амбициозный пятилетний проект по пониманию речи, начатый в 1971 году, мог распознавать слова только тогда, когда их произносили в определенном порядке. В период холодной войны Национальная академия наук США выделила 20 миллионов долларов на разработку машинного перевода документов на русском языке. В результате создали системы машинного перевода, которые были дороже, медленнее и менее точными, чем человеческий перевод.
DARPA, Управление перспективных исследовательских проектов Министерства обороны США, в 1960-х выделяло щедрые бюджеты на исследование искусственного интеллекта, но все изменилось в 1970 году. Управление приняло решение, что им стоит финансировать исследования, ориентированные на достижение конкретной цели, а не на простые фундаментальные исследования. Считалось, что ИИ-проекты не принесут полезных открытий в ближайшем будущем. В скором времени финансирование области сократилось. Неудивительно, что прогресс также значительно замедлился.
Интерес и инвестиции возобновились в 1980 году, во многом благодаря идее «экспертных систем». Такие программы на основе искусственного интеллекта следуют простым правилам, при помощи написанного вручную кода воспроизводя специализированные человеческие знания в таких сложных областях, как медицина и инженерия. Такое нишевое применение позволило достичь уровня производительности человека, а в некоторых случаях и превзойти его. И вновь возросли надежды на то, что создание машинного интеллекта, равного человеческому, неизбежно.
В область искусственного интеллекта снова потекли миллионы долларов. Крупнейшие компании США ринулись интегрировать искусственный интеллект в свою работу. Стоимость компаний по разработке программного обеспечения и оборудования для искусственного интеллекта била рекорды. В то время цифры были космическими. Все заключалось в простой идее, третьей из шести, объясняющей сегодняшнее состояние области. В узкоспециализированных областях возможно имитировать опыт человека, следуя простым правилам.
В каком-то смысле эта концепция является реакцией на идеи № 1 и 2, в основах исследований которых лежал принцип: как найти решение. Пришло время вернуться к понятию самой проблемы, отбросив как, и понять, что она из себя представляет. Благодаря смещению фокуса на узкоспециализированное знание, это сработало.
Простой пример поможет нам понять. Давайте создадим экспертную систему, специализирующуюся на решении проблем в области распознавания животных. Мы начинаем с составления ряда правил для кодировки предметных знаний.
• Если у животного есть мех и оно гавкает, то это собака.
• Если у животного есть мех и оно мяукает, то это кошка.
• Если у животного есть перья и оно крякает, то это утка.
• Если у животного есть перья и оно ухает, то это сова.
Думаю, вы поняли задумку. Следуя этим правилам, экспертная система может задавать пользователю вопросы, чтобы определить, что это за животное. Это похоже на игру «20 вопросов».
ЭКСПЕРТНАЯ СИСТЕМА: У животного есть перья?
ПОЛЬЗОВАТЕЛЬ: Да.
ЭКСПЕРТНАЯ СИСТЕМА: Оно крякает?
ПОЛЬЗОВАТЕЛЬ: Да.
ЭКСПЕРТНАЯ СИСТЕМА: Это утка!
Конечно, мы можем усложнить процесс и добавить правила. Например, более развернутые и запутанные. Правила с элементами вероятности и неопределенности. Правила по умолчанию для обработки неполной информации. Правила и еще больше правил.
Сложно представить, как в 1980 году такое количество денег пришло в область искусственного интеллекта, основываясь на такой простой концепции. Для обобщения идеи экспертных систем придумали слоган из двух слов, который использовали повсюду: «Знание – сила!» Историки скажут, что эта идея стара как мир. Ее можно встретить в «Левиафане» Томаса Гоббса, опубликованного в 1668 году на латыни, в виде фразы “scientia potentia est”. Еще раньше в своем произведении 1597 года “Meditationes Sacrae” Фрэнсис Бэкон писал “ipsa scientia potestas est”, что в переводе означает «знание само по себе – сила».
Развитие первых экспертных систем на самом деле началось не в 1980-м, когда они набрали популярность, а в 1965 году. Как и любой другой успех в области искусственного интеллекта, за успехом экспертных систем кроются десятилетия разработки.
Первой экспертной системой стала DENDRAL, которую разработала талантливая и дальновидная команда Стэнфордского университета под руководством лауреата Нобелевской премии по физиологии и медицине Джошуа Ледерберга[41]. В число разработчиков также входили: химик Карл Джерасси, известный как «отец таблеток» за свою работу по синтезу оральных контрацептивов, а также теперь уже известные исследователи искусственного интеллекта Эдвард Фейгенбаум, который впоследствии обретет славу «отца экспертных систем»[42], и Брюс Бьюкенен, который, насколько мне известно, каким-то образом избежал звания отца чего бы то ни было.
Цель создания DENDRAL заключалась в определении структуры химических соединений на основе данных спектрометрии. Масс-спектрометрия – невероятный и зачастую дорогой метод идентификации различных компонентов, которые входят в состав химического вещества. Соединяя компоненты в единое целое, мы можем определить его исходную химическую структуру. На сегодняшний день масс-спектрометрия незаменима в биологических науках, помогая анализировать сложные молекулы, такие как пептиды, аминокислоты, протеины и другие органические вещества. Результатом исследования является масс-спектр, показывающий плотность и массы различных компонентов в химическом соединении. Этот процесс задает сложную вычислительную задачу: в какую возможную химическую структуру могут быть соединены компоненты при таком распределении масс?
DENDRAL помог ученым решить эту проблему. Несмотря на успех в своей узкой области масс-спектрометрии, основной вклад DENDRAL состоял в демонстрации возможностей – что, сосредоточивая внимание на узкой области и кодировке человеческого опыта в этой области, компьютерные программы могут выполнять поставленные задачи на уровне эксперта.
К 1980-м стало возможным применение экспертных систем по типу DENDRAL в самых неочевидных местах, например в патологических лабораториях, марсоходах и ядерных реакторах. Венчурное финансирование хлынуло рекой в эту область, а молодые стартапы достигли внушительных оценок их стоимости.
Появились такие лидеры рынка, как Teknowledge, Intellicorp, Inference Corporation и Carnegie Group. Что примечательно, ни одной из этих компаний сегодня уже не существует.
К сожалению, бум экспертных систем оказался очередной иллюзией апогея. К концу 1980-х стало ясно, что предстоит покорить еще гораздо более высокую вершину. На пороге была вторая, длинная и суровая зима. Это было время, когда я выпускался из университета и пришел в область искусственного интеллекта. Вот счастливчик! Вторая зима искусственного интеллекта длилась 20 лет. Вот счастливчик! В конце концов, солнце взошло только в 2012 году, когда началась эпоха машинного обучения. Во второй части нашей истории мы подробнее поговорим об этом времени.
Шумиха вокруг экспертных систем не спасла ситуацию, но окончательно добил эту революцию маленький, но фундаментальный вопрос: откуда изначально берутся все эти знания? Экспертность, опыт – это не просто запоминание фактов и правил. Настоящие профессиональные навыки и опыт приобретаются на практике, когда у нас развивается чутье на нестандартные ситуации и понимание, когда применить те или иные принципы. Без возможности приобрести неявное знание, экспертные системы так и остались с набором простых правил, не способных взаимодействовать с запутанной реальностью.
Пионеры экспертных систем на всех парах столкнулись с тем, что называется «узкое место приобретения знаний». Было нелегко закодировать в систему своего рода всесторонний опыт, накопленный за многие годы. В отличие от людей, у экспертных систем нет возможности отточить свои навыки на практике или настроить производительность.
Добавление новых правил немного исправило ситуацию. Но в итоге большее количество правил привело к обратному эффекту. Системы стали настолько сложными и запутанными, что для человека понимать принцип их работы стало затруднительным. Что еще хуже, из-за того, что экспертные системы не способны ограничиться в своих знаниях, они не могут определить, в каких ситуациях необходима человеческая проверка. Великая золотая лихорадка экспертных систем быстро сошла на нет. Финансирование приостанавливалось, конференции отменялись, а стартапы становились банкротами. Те, кто предсказывал начало эпохи искусственного интеллекта, были вынуждены признать, что приобретение и кодировка экспертности оказались намного сложнее, чем они себе это представляли. В действительности такой провал ознаменует начало второй эпохи искусственного интеллекта, времени, когда знания не кодировались вручную, а приобретались путем обучения. Все как у людей.
Ошибочно полагать, что экспертные системы полностью провалились. Они не стали решением проблемы в области искусственного интеллекта, как предсказывалось, но их наследие живо и по сей день. Одно из достояний – концепция логического программирования, привлекательный и мощный способ программирования компьютеров, где мы сосредоточились на самой задаче, а не на способе ее решения. А прадедушкой всех языков логического программирования был PROLOG[43], появившийся в 1980-х на фоне успеха экспертных систем.
Возможно, сейчас вы подумали, что все программирование логическое. Так и есть. В некотором роде компьютеры – прикладные логические машины. Они применяют простую логику нулей и единиц, которую изобрел в XVIII веке Джордж Буль, а Клод Шеннон в своей знаменитой диссертации перенес на электрическую схему. Логическое программирование выходит на новый уровень, позволяя программисту обозначить программу как более сложный набор логических утверждений.
На языке логического программирования мы можем обозначать факты и констатировать утверждение:
Сократ – человек.
И добавить логические правила:
Х смертен, если Х – человек.
Язык логического программирования позволяет нам выводить логически новые факты, такие как:
Сократ смертен.
В 1980-х в Японии запустили амбициозный проект стоимостью 850 миллионов долларов. В этот момент мировая компьютерная индустрия содрогнулась. Проект назвали инициативой по созданию компьютерных систем пятого поколения, смелой целью которого стала разработка новых суперкомпьютеров на базе искусственного интеллекта на основе языка логического программирования PROLOG.
Отличительной чертой предыдущих четырех поколений было техническое обеспечение. В первом поколении использовали электронные лампы, во втором – транзисторы, в третьем использовались интегральные микросхемы, а в четвертом – микропроцессоры. Обещали, что в пятом поколении будут суперкомпьютеры, оснащенные искусственным интеллектом. Оптимистично настроенный проект был нацелен на построение умных машин, способных вести переговоры и делать открытия. Разговоры о нем были утопичными, с предсказаниями, что такие компьютеры приведут нас к новой вехе решения проблем и расширению человеческих знаний.
Многие страны стали частью этой инициативы. Например, в 1984 году в Великобритании выделили 350 миллионов фунтов на разработку программы Alvey. Британцы, будучи более сдержанными, чем японцы, сосредоточились на разработке программы, направленной на развитие взаимоотношений между академической и промышленной областями, а также нацеленной на такие области исследований, как передовые микропроцессоры и искусственный интеллект.
Управление перспективных исследовательских проектов Министерства обороны США (DARPA) запустило Стратегическую вычислительную инициативу для широкого продвижения искусственного интеллекта, применения достижений в области разработки чипов, скорости обработки, компьютерной архитектуры и программного обеспечения. На этот проект в период с 1983 по 1993 год DARPA выделило около миллиарда долларов федерального бюджета. В ответ на растущую японскую угрозу технический сектор США решил объединить усилия и создать организацию по разработке микроэлектроники и вычислительной технике – Microelectronics and Computer Corporation (MCC), со штаб-квартирой в Остине, штат Техас. В корпорацию вошли такие крупные игроки, как DEC, Control Data, Sperry-Univac, Honeywell, Microsoft, National Semiconductor, Advanced Micro Devices и Motorola. Корпорация представляла собой лабораторию, занимающуюся фундаментальными научными исследованиями в области программной инженерии, технологии упаковки полупроводников, применения программных инструментов и алгоритмов для проектирования очень больших интегральных схем, параллельных вычислительных систем, систем управления базами данных, человеко-машинных интерфейсов и, конечно же, искусственного интеллекта.
Ни один из проектов инициативы по разработке компьютеров пятого поколения[44] не реализовал свои амбициозные обещания в разработке когнитивных и диалоговых систем. Их легкомысленное мышление оставило неизгладимый след, предопределяя появление ИИ-помощников, некоторыми из которых – Siri и Alexa – мы пользуемся сегодня, а также помогло в создании новых центров искусственного интеллекта в Остине, США и Кремниевой долине в Шотландии.
Язык логического программирования Prolog до сих пор находит применение в самых разных областях. Треть всех авиабилетов по всему миру бронируется при помощи системы, написанной на нем. Система голосового управления на борту международной космической станции также разработана на этом языке. Надеюсь, что она не настолько автономна, как HAL 9000, управляющий космическим кораблем «Дискавери–1» в фильме «2001 год: Космическая одиссея».
Такие языки логического программирования, как Prolog, – не единственное наследие бума экспертных систем. Это наследие проявилось в правилах ведения бизнеса, правилах, ограничивающих деятельность компании. Например:
• каждая покупка стоимостью 10 000 долларов или выше нуждается в подтверждении со стороны вице-президента или вышестоящего лица;
• командировка должна быть утверждена менеджером;
• менеджеры не могут утверждать свои собственные командировки;
• при перелете длительностью менее трех часов билет должен быть куплен в экономкласс.
Такие правила обрабатываются механизмами бизнес-правил. Одно из самых неоспоримых преимуществ этих механизмов состоит в том, как они помогают поддерживать и приобретать знания. И снова мы пришли к идее отделить проблему от способа ее решения. Корпоративное принятие решений должно быть гибким и быстро реагирующим на изменения.
Бизнес-правила обрели некую популярность. Ежегодная прибыль в этой области составляет около полутора миллиардов долларов, рост которой десять и более процентов в год. Крупные технические компании, как IBM и Oracle, занимаются разработкой программного обеспечения для бизнес-правил, а также создают стартапы по типу Sparkling Logic и InRule Technology. На самом деле, бизнес-правила – это хороший пример успеха искусственного интеллекта, который так и не получил заслуженного признания.
Также это говорит нам о том, что в нашей жизни уже слишком много искусственного интеллекта даже там, где мы и не подозреваем.