Представьте, что вас окружают здания и статуи в классическом стиле. Вы прогуливаетесь по мощеным улицам красивого греческого острова и любуетесь видами. Зной спал, уступив место приятной прохладе. Лавки с фруктами и рыбой закрылись, а вслед за ними исчезли шум и суета повседневной жизни. Только звуки ваших собственных шагов отдаются эхом между богато украшенными домами. На углу улицы глаз выхватывает неожиданное движение. Но там никого нет. Вы пристально вглядываетесь.

Каменная статуя – она двинулась! В изумлении вы подходите ближе, чтобы рассмотреть ее. Вам кажется, будто она дышит, будто ее грудь вздымается и опускается. Вы продолжаете смотреть на статую, и ее голова поворачивается влево, а затем вправо. Вы понимаете, что эта статуя не единственная – двигаются все статуи вокруг, кажется вам. Переминаются с ноги на ногу, жестикулируют – словно ведут молчаливый каменный разговор. Они медленно оживают с наступлением ночи? Приглядевшись, вы замечаете, что во всех статуях, похоже, скрыты механизмы со стрекочущими винтиками и колесиками. Вы на острове каменных роботов.

Одни из первых автономных роботов, созданных, чтобы помочь нам понять биологические системы, сконструировал в конце 1940-х годов в Великобритании, в Бристоле, нейрофизиолог Грей Уолтер. Он назвал их Элмер и Элси. Роботы Уолтера напоминали черепах и были уникальны, поскольку не следовали какой-либо заданной программе.

Примерно в то же время, когда Уолтер создавал своих экспериментальных роботов, он состоял в клубе молодых британских ученых, известном как Ratio Club. Нейробиологи, инженеры, математики и физики регулярно встречались, чтобы выслушать приглашенного докладчика, а затем обсудить свои взгляды на кибернетику – науку об общих закономерностях процессов управления и связи как в машинах, так и в живых организмах. Ratio Club был в числе первых клубов, посвященных роботам и ИИ. Большинство его членов стали выдающимися учеными в своих областях. Одного из увлеченных математиков звали Алан Тьюринг.

Оживление, вызванное ИИ, быстро росло после проведения Дартмутской конференции. Новые идеи, касающиеся логических функций, процесса принятия решений, планируемого поведения и даже моделирования нейронов, наполняли исследователей оптимизмом. Некоторые из них полагали, что проблема машинного перевода будет решена очень скоро благодаря достижениям в таких областях, как теория информации, например, и формулированию правил, описывающих, как слова объединяются в предложения в естественных языках. Другие исследователи концентрировались на изучении того, как работают нейроны, каким образом мозг использует нейронные сети, чтобы обучаться и делать прогнозы. Уолтер Питтс и Уоррен Мак-Каллок разработали одну из первых искусственных нейронных сетей; Марвин Мински сконструировал искусственную нейронную сеть SNARC. Однако к началу 1960-х годов даже очень опытные и умные исследователи делали слегка нереалистичные прогнозы, учитывая состояние технологий на тот момент.

И снова, несмотря на то что тема ИИ оказалась не в чести, исследования продолжались. Однако поскольку в 1990-х годах даже сам термин «искусственный интеллект» ассоциировался с неудачей, его часто пытались замаскировать под интеллектуальные системы, машинное обучение, современные эвристические методы.

Достижения продолжались, но они «поглощались» другими технологиями. И вскоре началась тихая революция, принесшая с собой более продвинутую нечеткую логику, новые, более мощные, типы нейронных сетей, более эффективные оптимизаторы и все более результативные методы машинного обучения. Робототехника тоже начала активно развиваться, особенно с появлением более легких и более емких батарей нового поколения. Облачные компьютеры позволили производить большой объем вычислений без существенных затрат, и каждый день генерировалось так много данных, что у ИИ было множество примеров для обучения. Поначалу медленно, но все смелее и решительнее ИИ и робототехника отвоевывали утраченные позиции. Снова росло всеобщее возбуждение, однако на этот раз его сопровождал страх.

Однако часы для интуиционистов,

Когда доказательства еще не будучи моими,

Или правда – некая часть математики,

И ее элемент утверждал: и было так.

При символьной обработке слова́ рассматриваются как связанные друг с другом в соответствии с определенным набором правил символы. Слова становятся объектами, которыми можно управлять, трансформируя таким же образом, каким мы трансформируем числа в соответствии с правилами математики. Символический ИИ позволяет компьютерам мыслить словами.

Пожалуй, неудивительно, что символический ИИ стал одной из первых и наиболее успешных форм ИИ, поскольку был основан на новых представлениях о логике, развитых несколькими десятилетиями ранее. К началу XX века Бертран Рассел, Курт Гедель и Давид Гильберт достигли пределов математики, пытаясь понять, доказуемо ли абсолютно все, или же действительно существуют некие недоказуемые утверждения, которые, однако, можно выразить математически. Эти исследователи показали, что вся математика может быть сведена к логике.

Однако некоторые философы не соглашались с подобным подходом. Они считали, что манипулирование символами кардинально отличается от действительного понимания их значения. Джон Серл, один из таких философов, тактично возразил оппонентам в форме рассказа о китайской комнате. Суть его в следующем. Человек, не знающий китайский язык, находится в комнате, куда через специальное отверстие ему передают листы бумаги с вопросами, написанными китайскими иероглифами. У человека есть четкая инструкция, в которой говорится, каким образом можно получить ответ на поставленный вопрос. В результате человек находит ответ, записывает его на другой лист и возвращает.

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.

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.

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 Take Five в исполнении квартета Дейва Брубека. Повествование начинается с пронзительного писка на заднем плане.

В SRI мы экспериментируем с мобильным роботом. Мы зовем его Шейки. Наша цель – наделить Шейки некоторыми способностями, связанными с интеллектом, например планировать и обучаться. Хотя задачи, которые мы ставим перед Шейки, кажутся довольно простыми, программы, необходимые для планирования и координации его действий, сложны. Основная цель нашего исследования – научиться разрабатывать такие программы, чтобы роботы помогали нам решать самые разные задачи: от освоения космоса до автоматизации производства.

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 iRobot и создатель роботов-пылесосов iRoomba, резюмировал свою критику в оригинальной статье под названием «Слоны не играют в шахматы». В ней он утверждал, что ориентация ИИ на логические игры не имеет ничего общего с разумным поведением в реальном мире. Умение хорошо играть в шахматы не поможет вам ходить, избегать препятствий или справляться с постоянно меняющимися условиями нашей действительности. Робот не должен строить логические внутренние модели, состоящие из символов, составлять план, манипулируя и производя поиск этих символов, а затем использовать результат для корректировки своего поведения. Вместо этого, чтобы достигнуть успехов в практическом роботостроении, нам следует разрабатывать «приземленный» ИИ.

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. Unity и Unreal – две крупнейшие программные платформы (так называемые игровые движки), на основе которых создано две трети компьютерных игр по состоянию на 2019 год. Обе используют поведенческие деревья.

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 LIDAR (лазерное 3D-сканирование).

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.

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 LEGO-подобному строению. Далее перед нами предстает черепахоподобное существо, сделанное из пяти прямоугольных блоков – один на туловище и по одному на каждый плавник. Каким-то образом оно упорно плывет к своей цели, искусно маневрируя в воде, словно охотник, выслеживающий свою добычу.

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.

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».

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.

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.

Возможно, единственное, чем не занимались эти исследователи, – развитие электроники компьютерного мозга. Но, хотите – верьте, хотите – нет, другие делали именно это. В 1996 году Эдриан Томпсон предложил новую идею: связать эволюционные вычисления со специальным чипом – программируемой пользователем вентильной матрицей, или ППВМ. Эти чипы похожи на перенастраиваемые схемы. Вместо того чтобы спроектировать схему и изготовить ее на дорогостоящем производстве микросхем, ППВМ можно переконфигурировать в любое время, послав набор команд, по желанию соединив вместе внутренние компоненты и сохранив эту конфигурацию в постоянной памяти. Изначально ППВМ применялись, к примеру, в компьютерных сетях и телекоммуникациях, где необходимо быстро внедрять новые разработки.

Размером в одну пятую миллиметра – меньше, чем может увидеть глаз. Меньше, чем одноклеточная амеба. И все же у нее есть полностью функционирующие глаза. А еще тонкие крылья – не больше, чем несколько тонких волосков, но их достаточно, чтобы переносить ее тельце через густой воздух, что кажется таковым в столь крохотном масштабе. Слишком маленькая, чтобы иметь сердце, – ее кровь циркулирует только за счет диффузии. Она воспринимает свой мир достаточно хорошо для того, чтобы находить еду, партнеров и хозяев, в яйца которых она откладывает свои. Ее способность понимать мир обеспечивается самым маленьким мозгом, который когда-либо был найден у насекомого и летающего существа. Состоящий всего из 7 400 нервных клеток, он на несколько порядков меньше мозга крупных насекомых. Это удивительная Megaphragma mymaripenne – крошечная оса и третье из самых маленьких известных насекомых.

Ранние работы о компьютерном зрении были сосредоточены на разбивке изображений на составные элементы – предполагалось, что сходным образом видят наши глаза. Разрабатывались алгоритмы, которые исследовали массу, казалось бы, несвязанной информации, и в итоге удалось установить, что между областями на изображениях есть границы, или края.

В дополнение к обнаружению границ в компьютерном зрении создано множество умных алгоритмов для нахождения геометрических фигур и последующего сегментирования изображений на четко разграниченные области. Алгоритмы разрабатывались для определения расстояний с помощью стереоскопических камер, отслеживания движущихся объектов и построения трехмерных моделей из нескольких изображений, снятых под разными углами. Затем использовались статистические методы и методы идентификации лиц путем создания набора «усредненных характеристик лица» (базовых изображений, или характерных лиц).

Ответ нашелся в природе. В самом начале развития ИИ, когда такие исследователи, как Уоррен Мак-Каллок, Уолтер Питтс, Марвин Мински и Фрэнк Розенблатт, создали простое компьютерное моделирование нейронов, оно связывалось со стремлением дать компьютерам возможность учиться так же, как учатся мозги животных. Хотя самые ранние нейронные сети были слишком просты (как подчеркивает в своей книге Мински), исследователи продолжали совершенствовать методы их создания. Сама модель нейрона стала более сложной, и благодаря этому удалось разработать лучшие способы обучения нейронов.

Контролируемое обучение (с использованием сверточных нейронных сетей и множества других методов), без сомнения, совершило революцию в ИИ и робототехнике. И это действительно захватывающе, однако в то же время тревожно, поскольку в подобных технологиях отражаются и наши предрассудки. Несмотря на то что у нас имеется огромное количество данных, из-за различных предубеждений современного общества ИИ обучаются преимущественно на изображениях светлокожих мужчин. И в результате с помощью ИИ далеко не всегда удается распознать лица темнокожих женщин, к примеру. В недавних тестах системы ИИ от ведущих компаний, IBM, Microsoft и Amazon, неправильно идентифицировали лица Опры Уинфри, Мишель Обамы и Серены Уильямс, не испытав при этом никаких затруднений с лицами белых мужчин.

Перед нами стоит башня из деревянных блоков. Роботизированная рука с одним захватом медленно движется вокруг башни, прощупывая и подталкивая различные блоки. Она останавливает свой выбор на одном из них и осторожно выталкивает его на полкорпуса, облегчая движение с помощью покачиваний. Затем она перемещается на другую сторону, осторожно вытаскивает этот блок и кладет его на вершину башни. Далее робот возвращается назад и снова начинает кружить, пока не найдет другой кажущийся ему подходящим блок. Это не совсем обычный робот. Он уже узнал, что такое задача, научился оценивать силы и получать обратную связь, чтобы принимать решения о дальнейшем действии. Это робот, который обучает сам себя.

Кластеризация является одной из наиболее часто используемых форм обучения без учителя. Вместо того чтобы учить ИИ классифицировать данные (например, «кошки» или «собаки»), мы можем вообще не знать, как это лучше делать, и рассчитывать на то, что компьютер сам выберет подходящий способ. Продавцы хотят лучше понимать своих покупателей. Если компьютер обнаружит, что есть, скажем, пять основных типов клиентов (матери, молодые люди, те, кто делает покупки в выходные, любители скидок, лояльные покупатели) и в зависимости от типа они покупают разные вещи в разное время, продавец сможет лучше удовлетворить потребности каждого клиента, а не относиться ко всем одинаково. Та же идея лежит в основе систем рекомендаций, позволяющих находить сходства между потребителями и предлагать им новые продукты.

Ответ дает другой вид обучения, известный как обучение с подкреплением, впервые разработанный в 1960-х годах Джоном Андреа и Дональдом Мичи. Такая форма ИИ подобна оптимизатору поведенческих линий: она оценивает вероятное качество каждого потенциального действия в данной ситуации и изучает правильную цепочку шагов для достижения желаемого результата. «Допустим, у вас появился щенок, – объясняет инженер-программист eBay Джибин Лю. – Когда он впервые услышит команду “Сидеть!”, то, вероятно, не поймет, что это значит. В конце концов же он сядет, а вы дадите ему лакомство. Чем лучше вознаграждение, тем точнее будет выполнение команд. Это именно то, что мы делаем в обучении с подкреплением».

Некоторые виды неконтролируемого обучения, например дистанционное, продолжают развиваться, чтобы идти в ногу со временем. Это очень важно, ведь наш мир никогда не стоит на месте. Если выученное правило применяется независимо от меняющихся условий, могут возникнуть проблемы. К примеру, компания Uber встроила в свое приложение правило, согласно которому рост спроса приводил к автоматическому увеличению цен на поездки. Это могло бы стать очень хорошим способом увеличить доход, но имело ужасные последствия 15–16 декабря 2014 года в Сиднее, когда боевик взял в заложники 18 человек в кафе.

Несколько улиц на время были перекрыты, и спрос на поездки в этом районе резко вырос, что вызвало автоматическое повышение цен из-за системы динамического ценообразования. Алгоритм не имел представления о причине дополнительного спроса и просто слепо следовал правилу, в результате чего в СМИ появилась масса критических статей о Uber: казалось, что компания использовала ужасное событие, чтобы нажиться на нем. (Впоследствии разница в стоимости поездок была возмещена).

– Привет, Мицуку.

– Привет.

– Я пишу об искусственном интеллекте. Ничего, если я процитирую твои ответы?

– Вы расскажете обо мне читателям? Интересно. Я хочу узнать больше о вас.

Ноам Хомски – американский лингвист, философ и один из основателей когнитивной науки (научных исследований разума и его возможностей). Он многое сделал для понимания процесса обработки естественного языка – этим занимается символический ИИ внутри некоторых чат-ботов, он выясняет, что делать с написанными словами. Одна из самых известных идей Хомски – теория универсальной грамматики, которую он создал после изучения развития речи у детей. Он полагал, что дети не получают достаточно информации, чтобы научиться говорить так свободно, как они это делают, – он назвал это бедностью стимула. Хомски утверждал, что ответственной за развитие у детей необходимых речевых навыков является некоторая врожденная способность к общению, запрограммированная в мозге. Она может рассматриваться как набор языковых правил – универсальная грамматика.

Хотя грамматики Хомски давали замечательные результаты, было ясно, что нужно нечто большее. Ответ пришел из области больших данных. По мере того как знания, деловая активность и социальное взаимодействие переходят в интернет, объем разговорных данных растет в геометрической прогрессии. Первое использование этих данных заключалось в автоматическом создании языковых правил с применением метода ИИ под названием «деревья решений».

Деревья решений похожи на поведенческие деревья, используемые для управления роботами. Это, как правило, ряд закрытых вопросов, помогающих делать прогноз или классифицировать входные данные по различным группам. Алгоритмы, которые генерируют деревья решений (такие как ID3, C4.5 и C5.0), задействуют обучающие данные и пытаются извлечь как можно больше информации из каждого решения. Поэтому, если у вас есть утверждения «жарко, прогноз солнечный», «жарко, прогноз дождливый» и «тепло, прогноз облачный», вы получите больше информации, если разделите функции «прогноз» и «температура». Другими словами, дерево решений должно сначала спросить о прогнозе и лишь затем о температуре.