Задача установления общего понимания ИИ восходит к спорам о природе интеллекта.

В этой статье я делюсь своими исследованиями литературы по основам искусственного интеллекта (ИИ) и его взаимосвязи с интеллектом. Я обрисую, чем ИИ отличается от концепций «естественного» интеллекта, но укоренен в них. Я сделал все возможное, чтобы представить технические концепции в упрощенной и представительной форме.

I. Концепции естественного интеллекта

Чтобы начать изучение ИИ, мы начнем с определения интеллекта. Оксфордский универсальный словарь (1955 г.) во многом опирается на латинский корень этого слова, интеллигент (понимать), определяя интеллект как [1] ​​способность понимать; интеллект; и [2] понимание как качество, допускающее степень; spec. высшее понимание; быстрота умственного восприятия; проницательность. Хотя этот акцент на «понимании» действительно подчеркивает способность воспринимать значение, он слишком широк; нам нужно искать больше ясности.

В академических кругах у исследователей нет единого определения интеллекта. Вообще говоря, существует четыре основных точки зрения на интеллект, которые распространяются на исследования искусственного интеллекта - каждая со своими сторонниками и критиками. Первые три группы - все они связаны с людьми - имеют общую черту: интеллект зависит от, но отличается от познания. Если познание относится к основным процессам мозга, то с его помощью можно достичь интеллекта. Интеллект использует когнитивные способности для достижения поставленных целей. Четвертая группа придерживается альтернативной точки зрения, согласно которой интеллект шире, чем просто люди и животные, и его можно наблюдать в рамках биологии. Позвольте мне уточнить.

The General Intelligence Camp: Эта первая группа считает, что интеллект - это общая умственная способность; а именно способность справляться с когнитивной сложностью. В довольно кратком определении, предложенном Линдой Готтфредсон в статье Почему G имеет значение: сложность повседневности (1997) и одобренном 52 другими исследователями, говорится:

«Интеллект - это очень общая умственная способность, которая, среди прочего, включает в себя способность рассуждать, планировать, решать проблемы, мыслить абстрактно, понимать сложные идеи, быстро учиться и извлекать уроки из опыта. Это не просто книжное обучение, узкие академические навыки или умение сдавать экзамены. Скорее, он отражает более широкую и глубокую способность понимать наше окружение - «улавливать», «понимать» вещи или «выяснять», что делать ».

Эти исследователи считают, что общий интеллект, также известный как фактор g, можно измерить путем эмпирического тестирования рассуждений, памяти, знаний, скорости обработки и пространственных способностей. Результаты этих тестов не указывают на интеллект как таковой, но дают его приблизительное значение - подобно тому, как фитнес-тесты, измеряющие различные аспекты тела, могут дать представление об общем состоянии здоровья. Начиная с конца девятнадцатого века, психологи сэр Фрэнсис Гальтон, Джеймс Маккин Кеттелл и Альфред Бине систематизировали крупномасштабные тесты интеллекта, достоверность которых до сих пор обсуждается.

Лагерь множественного интеллекта. Вторая группа считает, что существуют разные типы интеллекта. Считая, что общий интеллект не может полностью объяснить когнитивные способности, исследователи указывают на различные формы интеллекта, которые проявляются у людей. В крайних случаях появились специальные термины, такие как fachidiot на немецком языке и идиот-савант во Франции для обозначения тех, кто проявляет интеллект только в узкой области.

Исследователи выдвинули разные теории о том, как можно подразделить интеллект. В статье Рамки разума: теория множественного интеллекта (1983) Говард Гарднер утверждал, что существует семь типов интеллекта: визуально-пространственный, лингвистический, логико-математический, музыкальный, межличностный, внутриличностный и телесный. -кинестетический. Позже он добавил еще три: экзистенциальный, лазерный и мысленный прожектор. В качестве альтернативы Роберт Дж. Стернберг сослался на аспекты общего интеллекта в Beyond IQ: A Triarchic Theory of Human Intelligence (1985), разбив его на три подтеории: компонентный (аналитический), экспериментальный (творческий) и практический. (контекстный) интеллект.

Кроме того, существование эмоционального интеллекта - популярная, но спорная с научной точки зрения идея. Эмоциональный интеллект, впервые появившийся в 1960-х годах в статьях Майкла Белдока и Б. Линера, а затем популяризированный в работе Дэниела Гоулмана Эмоциональный интеллект: почему он может иметь значение больше, чем IQ (1995), представляет собой способность определять и управлять эмоциями себя и других. Сторонники соотносят эмоциональный интеллект с результатами занятий, в то время как критики указывают на то, что его значимость невысока при контроле общего интеллекта и личностных качеств.

Поведенческий лагерь: третья группа отказалась от попыток связать интеллект с когнитивными способностями. Вместо этого он определяет интеллект как способность решать проблемы. Поскольку интеллект - это мобилизация познания, он фокусируется на достижении внешне наблюдаемых результатов. Как цитирует С.С. Корвин в Handbook of Intelligence Кембриджского университета (2000), «человек обладает интеллектом в той мере, в какой он научился или может научиться приспосабливаться к своей среде». Хотя эта точка зрения кажется узкой в ​​плане инкапсуляции интеллекта, по причинам, которые мы увидим позже, она является излюбленным языком исследователей искусственного интеллекта.

Эволюционный лагерь. Наконец, четвертая группа утверждает, что все живые существа демонстрируют какое-то разумное поведение. Чианциоло и Штернберг указывают в Интеллект: Краткая история (2004) , что интеллект в конечном итоге можно свести к способности организмов адаптироваться к их окружение и учиться на собственном опыте. Этот тип определения часто используется биологами, хотя и с осторожностью, чтобы дистанцироваться от разумного замысла. Движущаяся эволюцией и обусловленная культурой, природа порождает организмы, которые адаптируются к окружающей среде для выживания и воспроизводства. На протяжении всей книги Интеллект в природе: исследование знаний (2005) антрополог Джереми Нарби использует японское выражение chi-sei, что в широком смысле переводится как «знание» или «способность знать." В природе существует бесчисленное множество примеров разумного поведения, например, растения, которые сгибают стебли в течение дня, бактерии, использующие уникальные стратегии плавания в поисках пищи, или обезьяны, которые подают уникальные предупреждающие сигналы для каждого типа хищников. Для этой группы интеллект является тихим и бессознательным, контекстуальным для обстоятельств, озабоченным выживанием, а не решением проблем, и основан на непредвиденных обстоятельствах.

Эти четыре точки зрения являются статическими определениями интеллекта. Но интеллект со временем меняется внутри людей: Жан Пиаже определил, как он развивается и переходит от младенчества и детства к юности и зрелости. Интеллект также меняется вместе с культурой: после того, как Джеймс Флинн заметил, что со временем интеллект увеличивается, он обнаружил, что когнитивная сложность окружающей среды увеличивает сложность мысли. Другими словами, гены и окружающая среда взаимодействуют и влияют на интеллект. Кроме того, влияние изменений интеллекта при рассмотрении коллективно: в статье Разум у народа: как IQ вашей страны гораздо больше, чем ваш собственный (2015), Гарретт Джонс исследует, как интеллект в коллективном масштабе приводит к результатам в реальном мире.

II. Истоки и определения ИИ

Дихотомия Герберта Саймона между естественным и искусственным сыграла важную роль в истории искусственного интеллекта. Как пишет Саймон в своей книге The Науки об искусственном (1969), естественное создается природой, а искусственное - искусством. Хотя «искусственный» имеет уничижительный оттенок, искусственные процессы связаны с преобразованием существующих ситуаций в предпочтительные. В процессе проектирования люди создают материальные артефакты, которые используют мир природы для достижения определенных целей. Мы можем думать о кондиционерах, самолетах, кирпичах, хлебе, небоскребах, смартфонах и т. Д.

Летом 1956 года в Дартмутском колледже зародилась область искусственного интеллекта. Двухмесячное исследование, проведенное Джоном Маккарти, объединило ведущих математиков и ученых по «гипотезе о том, что каждый аспект обучения или любая другая особенность интеллекта в принципе может быть описана с такой точностью, что можно создать машину для ее моделирования. Будет предпринята попытка найти, как заставить машины использовать язык, формировать абстракции и концепции, решать виды проблем, которые теперь предназначены только для людей, и улучшать себя ». Это было очень амбициозное начинание, отражающее оптимизм и первые вехи его участников: Герберт Саймон предсказал, что «в течение двадцати лет машины будут способны выполнять любую работу, которую может выполнять человек», в то время как Марвин Мински писал «в течение одного поколения ... проблема. создания «искусственного интеллекта» будет существенно решена ». Откровенно говоря, этого не произошло.

Как это и произошло, эта область разумно сошлась на более скромных определениях ИИ, ориентированных на достижение целей, что не отличается от представления нашего бихевиористского лагеря об интеллекте. Эксперты выдвигают менее конкретные определения, такие как «способность решать сложные проблемы» (Марвин Мински), «способность использовать оптимально ограниченные ресурсы, включая время, для достижения целей» (Рэй Курцвейл), «достижение сложных целей в сложных условиях». (Бен Герцель), «любая система, которая генерирует адаптивное поведение для достижения целей в различных средах» (Дэвид Фогель) и «объединение науки и техники для создания машин, способных к разумному поведению» (Джоанна Брайсон и Джереми Вятт).

Используя такого рода определения, мы видим, что ИИ не зависит от метода; это не предписывает, какие методы следует использовать для решения проблем. Более того, мы видим, что у него есть история решения проблем, которые мы больше не рассматриваем как ИИ, таких как разработка стратегий крестики-нолики, создание математических доказательств, распознавание рукописного текста или оптимизация цен на авиабилеты. Теперь мы думаем, что ИИ занимается только решением проблем, которые компьютеры не могут решить в настоящее время. Как шутит Дуглас Хофштадтер: «[ИИ] - это то, что еще не было сделано». Точно так же в Society of Mind (1967) Мински отмечает: «Само понятие интеллекта похоже на трюк сценического фокусника. Как и понятие «неизведанные регионы Африки», он исчезает, как только мы его открываем ».

В общем, «интеллект» в искусственном интеллекте, во всяком случае, относится к разуму его создателей, воплощенному в машинах.

III. Различные племена ИИ

В основе каждого экземпляра ИИ лежит алгоритм - набор инструкций, доставляемых компьютеру для генерации выходных данных из входных данных. Нас окружают алгоритмы искусственного интеллекта: светофоры в городе координируются в зависимости от схемы движения; смартфоны экономят энергию за счет использования приложений; самолеты летают на автопилоте на основе множества полетных данных; Facebook создает индивидуализированные новостные ленты на основе черного ящика пользовательских данных. Что объединяет такие дискретные алгоритмы и как их можно классифицировать?

Есть много способов классифицировать и систематизировать мышление в рамках ИИ. Например, задачи можно разбить на задачи классификации для определения группы (или класса) для данного наблюдения или задачи регрессии для создания количественных прогнозов. Или, если классифицировать ИИ на основе калибра, есть искусственный узкий интеллект (ANI), который специализируется в одной области, искусственный общий интеллект (AGI), который может применять интеллект к любой проблеме, и гипотетический искусственный суперинтеллект (ASI), который превосходит человеческий интеллект. Наше внимание сосредоточено на подкатегории AGI, поскольку большинство экспертных прогнозов помещают AGI на десятилетия в будущее, а исследование ANI является промежуточным шагом. Ссылаясь на краткий обзор этой области Педро Доминго в его книге The Master Algorithm (2015), я дам беглый обзор основных точек зрения на методы создания ИИ.

Сначала нам нужно знать, что на самом высоком уровне существует два конкурирующих подхода к созданию ИИ: машинное обучение (ML) и инженерия знаний (KE). Машинное обучение - это процесс обучения компьютера обучению. Он использует алгоритмы обучения - алгоритмы, которые создают другие алгоритмы. Начав с набора входов вместе с соответствующими выходами, а затем передав компьютеру алгоритм обучения, он пишет программу, которая может выдавать правильные выходные данные из нового набора входов. Для инженеров по знаниям это просто распознавание образов, а не настоящие знания. Инженерия знаний использует другой подход, когда эксперты кодируют свои знания в предметной области на языке, понятном компьютерам. Столкнувшись с проблемой, экспертная система ссылается на логику и правила, разработанные экспертами для ее решения. Сторонники машинного обучения возражают, что количество идей, необходимых для создания интеллектуального агента, бесконечно. Кодирование знаний - это просто сбор штампов, и если машина не может обучиться, она становится хрупкой, когда сталкивается с новыми ситуациями. Соперничество между ML и KE длилось десятилетия. Со временем ML стало преобладающей школой мысли после многих значительных успехов. Тем не менее, некоторые инженеры по знаниям считают, что ограничения машинного обучения в конечном итоге прояснят себя, расчищая путь к возрождению KE.

Другой подход к созданию искусственного интеллекта, скрывающегося на периферии, который пропагандировал Рэй Курцвейл и подробно исследовал Робин Хансон в The Age of Em (2016), - это имитация человеческого мозга. Вместо того чтобы беспокоиться о создании программного обеспечения, которое выполняет различные функции, выполняемые людьми, эмуляция мозга по сути переносит «программное обеспечение» мозга на машину. Хотя это предположение по своей природе, его сторонники утверждают, что в течение следующего столетия мы сможем сканировать мозг с пространственным и химическим разрешением, моделировать функции обработки сигналов отдельных клеток мозга и создавать исполняемую модель мозга для каждой клетки. в искусственном оборудовании. Такая эмуляция могла бы демонстрировать подобное поведение человека при вводе-выводе.

Несмотря на то, что машинное обучение является частью искусственного интеллекта, оно привлекло к себе всеобщее внимание. Домингос делит сообщество ML на пять основных племен: символисты, коннекционисты, эволюционисты, байесианцы и аналогизаторы. Подходы каждого племени к разработке алгоритмов обучения основаны на естественном интеллекте, естественных науках и математике.

Символисты верят, что весь интеллект можно свести к манипулированию символами, каждый из которых является абстрактным представлением идеи, объекта или отношения. Подобно тому, как математики объясняют Вселенную с помощью таких уравнений, как закон всемирного тяготения Ньютона, символисты сводят реальность к уравнениям, состоящим из символов. В то время как инженерия знаний использует этот подход путем ручного кодирования знаний, символическое машинное обучение позволяет избежать этого «узкого места в знаниях», используя алгоритм обучения, который эмпирически конструирует знания самостоятельно. Это обучение осуществляется посредством процесса обратной дедукции: передача компьютерных данных и создание пробелов в знаниях для достижения обобщенных выводов. Это манипулирование символами можно рассматривать как вольную интерпретацию определения интеллекта, данного Готфредсоном.

Коннекционисты реконструируют мозг. Черпая вдохновение в том, как биологические нейронные сети нашего мозга способствуют обучению, укрепляя связи между нейронами, коннекционисты моделируют это с помощью искусственных нейронных сетей. Это достигается путем создания слоев искусственных нейронов, которые используют алгоритм обучения, называемый обратным распространением, который последовательно изменяет соединения на каждом уровне, чтобы привести выходные данные программы в соответствие с ожидаемыми. На данный момент мозг - это самая совершенная обучающая машина; возможно, у него есть универсальный алгоритм обучения, на котором мы можем учиться. Интересно, что вдохновение работает в обоих направлениях: некоторые считают, что человеческий разум - это система обработки информации, где познание и сознание являются формой вычислений.

Эволюционеры считают, что мать интеллекта - это естественный отбор. Алгоритм обучения природы - это функция приспособленности, которая генерирует сложные организмы путем отбора и рекомбинации генов, которые также со временем видоизменяются. Эволюционисты подражают этому с помощью генетических алгоритмов, где выполнение цели программы заменяется «выживанием» как мерой приспособленности, посредством которой программы развиваются на протяжении поколений со случайными мутациями и / или размножением. На протяжении многих итераций этот алгоритм обучения создает все более и более совершенные программы, имитирующие тот тип разумного поведения, который мы описали в эволюционном лагере интеллекта.

Байесовцы считают, что все полученные знания являются неопределенными, а обучение - это способность справляться с неопределенностью. Программы проходят циклический процесс, начиная с априорной вероятности - убеждения, прежде чем увидеть доказательства, - который превращается в апостериорную вероятность, включающую новые доказательства. Байесовцы используют вероятностный вывод в качестве алгоритма обучения, который в значительной степени опирается на теоремы Байеса, которые теперь помогают включать новые доказательства в убеждения программы. Основанный на математике и статистике, он обеспечивает интуитивно понятный способ получения и уточнения знаний.

Аналогизаторы считают, что обучение - это распознавание сходства между ситуациями и, таким образом, вывод о других сходствах. Аналогизаторы представляют собой разрозненное племя, объединенное только в вынесении суждений о сходстве в качестве основы для обучения. Их ведущие алгоритмы обучения основаны на машинах опорных векторов, которые помогают судить о сходстве между разными вещами. Некоторые когнитивные науки, такие как Дуглас Хофштадтер, утверждают, что аналогия - это ядро ​​познания.

Важно отметить, что каждый тип машинного обучения требует определенной степени контроля со стороны программистов, которые предоставляют обучающие данные для создания программы и вносят изменения в ее параметры для улучшения модели. Этот надзор может осуществляться в форме контролируемого обучения, когда программист предоставляет правильный результат для каждого ввода, обучения с подкреплением, когда программист определяет вознаграждение за действия, предпринимаемые алгоритмом обучения, и обучение без учителя, когда алгоритм обучения работает с входными данными без указания известных результатов или вознаграждений. Как только сгенерированная программа будет сочтена программистом удовлетворительной, ее можно будет развернуть более широко.

Домингос размышляет о том, как пять племен могут быть объединены в один «главный алгоритм», способный научиться чему угодно - его излюбленный путь к ОИИ. В будущем, при наличии достаточных данных и знаний в качестве входных данных, такой мастер-алгоритм может существовать. Тем временем существующие племена будут совершенствовать свои алгоритмы обучения, комбинировать их друг с другом или видеть, как новые племена формируют новую парадигму алгоритмов обучения. В любом случае машинное обучение продолжит делать головокружительные успехи в решении проблем, которые заставят нас переосмыслить, на что способны машины.

По мере развития искусственного интеллекта мы неизбежно можем переключаться между различными корнями естественного и искусственного интеллекта, чтобы сформулировать новые возможности. Проблема того, что ИИ часто антропоморфизируется, будет продолжаться, потому что мы почти автоматически думаем об этом с точки зрения того типа интеллекта, который мы знаем: нашего собственного. Хотя ИИ использует ряд методов решения проблем, вдохновленных естественным интеллектом, он имеет ограниченное сходство с операциями биологического мозга, которые, помимо прочего, включают в себя сознание, чувства и волю. До того дня, когда интеллектуальный агент достигнет этих качеств более высокого порядка - возможность которых горячо обсуждается, - наиболее продуктивным, рефлексивным и честным представлением ИИ является представление его как еще одного семейства артефактов; набор инструментов, используемых людьми, которые могут достичь положительных или отрицательных результатов.