(Эволюция AI.)
Эволюция artificial intelligence: ручное кодирование (программирование) и обучение на данных (нейросети).
- 09.11.25 г.
- 9772225665000 25022
Если сегодня artificial intelligence (AI) в массовом сознании – это почти синоним нейросетей и глубокого обучения, то во второй половине XX века доминировали совершенно другие взгляды: AI ассоциировался, в первую очередь, с экспертными системами и, в более широком смысле, с символьным AI (Symbolic AI). Его сходство с человеческим интеллектом было более функциональным.
1.Символьный AI (ручное кодирование).
Символьный AI был доминирующей парадигмой с 1950-х и до конца 1980-х годов. Его ключевая идея: интеллект можно смоделировать, манипулируя символами (словами, понятиями) по четким логическим правилам. Считалось, что человеческое мышление похоже на работу логика, который выводит новые истины из известных. Отсюда – используемые методы: логический вывод, продукционные системы, семантические сети, фреймы и т.д.
Самое известное и коммерчески успешное воплощение символьного AI в 1970-х и особенно в 1980-х годах – это экспертные системы (Expert Systems). Именно они стали для широкой публики и бизнеса главным символом AI.
Экспертные системы – это компьютерные программы, которые имитировали способность эксперта-человека принимать решения в узкой предметной области. Они работали, исходя из следующего:
– в систему вручную загружались правила в формате «ЕСЛИ <условие>, ТО <действие или вывод>», сформулированные экспертами,
– программа задавала пользователю вопросы, проходила по загруженным правилам и делала заключение.
Это попытка воспроизвести не структуру мозга, а процесс принятия решений.
Короче говоря, экспертные системы осуществляют применение готовых знаний и сознательные логические рассуждения.
Наиболее известные примеры экспертных систем:
– MYCIN: она диагностировала заболевания крови и рекомендовала антибиотики, причем ее точность была сравнима с точностью врачей-инфекционистов, но на практике ее не использовали из-за юридических и этических проблем,
– XCON: коммерческая система от Digital Equipment Corporation, которая автоматически конфигурировала заказы на компьютеры VAX, подбирая совместимые компоненты.
Но почему именно экспертные системы стали «лицом» AI?
Во-первых, был очевидный успех: экспертные системы решали конкретные, полезные и дорогостоящие бизнес-задачи.
Во-вторых, они могли объяснить свой ход решения задач, показывая цепочку правил, которая привела к выводу. Это вызывало доверие.
В-третьих, был коммерческий бум. В 80-е годы вокруг экспертных систем возникла целая индустрия: стартапы, специализированное программное обеспечение (например, языки LISP и Prolog), консалтинговые фирмы и т.п.
Однако к концу 1980-х эйфория вокруг экспертных систем пошла на спад. Причинами этого были
– ограниченность: системы не могли выйти за рамки своей базы знаний, не умели учиться на новых данных и справляться с неопределенностью,
– стоимость: создание и поддержка больших баз знаний были чрезвычайно дорогими и трудоемкими,
– проблемы масштабирования: системы становились медленными и неуправляемыми при росте количества правил.
Это привело к сокращению финансирования и периоду, известному как «AI-зима», когда интерес и инвестиции в AI резко упали.
Помимо экспертных систем, символьный AI также ассоциировался со следующими направлениями:
– с логическим программированием, в первую очередь, с языком Prolog, который идеально подходил для символьных вычислений и создания экспертных систем и был невероятно популярен,
– с обработкой естественного языка (NLP), хотя в своей ранней форме она сильно отличалась от современной (вместо статистических моделей использовались грамматики и синтаксически сложные разборы предложений),
– с созданием игровых AI, в первую очередь, с шахматами (эта игра идеально подходила для символьного подхода: перебор вариантов, оценка позиции, а победа Deep Blue над Каспаровым в 1997 году стала кульминацией этой эпохи),
– с робототехникой – создание алгоритмов позволяли логически планировать последовательность действий роботов для достижения цели в смоделированном мире.
Обобщая изложенное, можно сказать, что символьный AI был эпохой логики, правил и веры в то, что интеллект можно «закодировать» вручную.
Однако символьный подход не утратил своей актуальности и сегодня остается основным инструментом в ряде критически важных областей, где требуются абсолютная предсказуемость, безопасность и объяснимость:
– верификация программного обеспечения и микропроцессоров (например, доказательство корректности работы чипов и критического софта),
– юриспруденция (например, анализ юридических документов и прецедентов на основе формальных правил),
– логистические системы (например, планирование и составление расписаний авиаперевозок).
2. Нейросети.
Следующей парадигмой AI стали нейронные сети, или нейросети, которые начиная с 2010-х годов в наибольшей мере для многих людей стали олицетворять AI.
Распространено мнение, что нейросети упрощенно воспроизводят структуру мозга. Однако это верно лишь на уровне аналогии с одним нейроном, так как обычно нейросети представляют собою не имеющиеся в природе слои («столбцы») элементов (нейронов), лишь формально похожих на нейроны человеческого мозга. Слои получают на вход сигналы, которые преобразуются в каждом активном элементе слоя, и передаются дальше, на следующий слой, в конце концов формируя выходной сигнал. Каждый слой нейросети преобразует данные с помощью определенной функции активации. В целом, нейросети воспроизводят «аппаратную» часть мозга и его способность к обучению на данных. (Отметим, что по-другому, ближе к реальной структуре мозга, организован не часто упоминаемый нейроморфный процессор Intel Loihi, который работает асинхронно и обрабатывает информацию в виде спайков (импульсов), что аналогично принципам работы биологического мозга.)
Нейросети характеризуются обучением на данных, когда, исходя из значений пар «входной сигнал – подтвержденный результат», формируются коэффициенты связей нейронов. Это аналог того, как на основе опыта мозг человека укрепляет или ослабляет связи между нейронами. Их суть в том, что они, как и человек, учатся на опыте (данных). Они не получают готовых правил, а сами выявляют скрытые закономерности и паттерны. Таким образом, нейросети олицетворяют квазиинтуитивное, образное, неосознанное мышление (на Западе поведение нейросетей часто сравнивают с «Системой 1» по Канеману).
Таким образом, нейросети реализуют процесс обучения и накопления опыта, ведущий к интуитивным решениям.
Нейросети осуществляют различные функции, наиболее часто это – распознавание предметов и генерация текста, понимание речи, интуитивные решения.
Однако нейросети часто не дают легко интерпретируемого объяснения, почему они приняли то или иное решение, точнее – выдали тот или иной выходной сигнал. Они выявляют сложные, неочевидные для человека паттерны в данных, но не думают и не осознают ни данные, ни свои действия.
3. Сравнение двух парадигм.
Нейросети (обучение на данных):
– аспект человеческого интеллекта: интуитивный, опытный,
– функционирование: выявления паттернов из опыта (данных),
– сильная сторона: работа с нечеткими данными,
– слабая сторона: проблема интерпретируемости, непредсказуемость на новых данных.
Программирование (ручное кодирование):
– аспект человеческого интеллекта: логический, аналитический,
– функционирование: следования явным правилам, заданным человеком,
– сильная сторона: четкость, прозрачность, объяснимость решений,
– слабая сторона: негибкость, неспособность к обобщению без новых правил.
В сравнении с человеком можно акцентировать такую аналогию:
– нейросети – это интуиция, навык, «память тела»: как музыкант, который может сыграть сложнейшее произведение, не вспоминая каждую ноту, или шахматист, который «видит» сильный ход благодаря накопленному опыту,
– символьный AI – это сознательное, логическое мышление: как математик, шаг за шагом доказывающий теорему, или юрист, строящий аргументацию на основе кодексов.
4. Перспективы развития AI.
4.1. Гибридный подход (нейросимвольный ИИ).
В современности главным трендом является интеграция обозначенных выше подходов, которая предназначена для объединения способности нейросетей обучаться на данных с логикой и способностью к рассуждению символьного AI – нейросимвольный AI. Это нужно для того, чтобы создать системы, которые не только умеют распознавать паттерны (как нейросети), но и могут логически рассуждать на их основе, используя знания и правила. Примером может служить система, которая с помощью нейросети опознает рентгеновский снимок, а затем с помощью символьного AI сопоставляет находки с базой медицинских знаний, чтобы не просто поставить диагноз, но и ответить на вопрос «почему» и предложить обоснованный план лечения.
4.2. Сильный AI (Artificial General Intelligence, AGI).
Следующим этапом развития искусственного интеллекта является гипотетический Artificial General Intelligence (AGI), способный, как предполагается, выполнять умственную деятельность на уровне человека. В отличие от существующих систем, AGI сможет решать множество разносторонних задач, сопоставимых с человеческими возможностями. Однако, все же, AGI следует понимать, скорее, как сверхцель.
5. Выводы.
Как и ранее, так и сейчас ни одна система AI не является человеческим интеллектом. Все системы AI – это более или менее удачные инструменты, которые реализуют отдельные аспекты человеческого мышления (логику, обучение, распознавание образов):
– нейросети реализуют интуитивный, образный аспект мышления («узнавание кота на картинке»),
– другие системы реализуют рациональный, логический аспект («решение уравнения по правилам»).
Но будущее – не в противопоставлении систем и подходов, а в их синтезе. Считается, что главное сейчас – это создание AI, который не только решает задачи, но и понимает смысл задачи и может объяснить свои решения, а для этого как раз и нужна комбинация различных подходов и методов (но это, как оказывается, лишь один из вариантов решений, другой состоит в различении AI, и он исследуется в современной диалектике).
>> Дискуссии и конференции. AI