Kaj je umetna inteligenca?

Z
István S. N. Berkeley Ph.D.
(istvan@louisiana.edu)

Filozofija,
Univerza v Louisiani pri Lafayette

 

Zgodovinska perspektiva: vse zveni tako dobro ….

Verjetno so vsi slišali za umetno inteligenco (AI za kratko), vendar ima relativno malo ljudi resnično dobro idejo o tem, kaj pomeni izraz resnično. Za večino ljudi je AI povezana z artefakti, kot je Hal 9000 Computer v filmu 2001: Space odyssey. Takšne slike so izdelek Hollywooda, ne pa vrste stvari, ki se dejansko zgodi v raziskovalnih laboratorijih sveta danes. Moj namen je predstaviti nekaj osnovnih idej za AI in poskusiti ponuditi sredstva, s katerimi se ljudje lahko spoprimejo s trenutnim stanjem na tem področju.

V grobem govoru je umetna inteligenca preučevanje računalniških naprav in sistemov, ki jih je mogoče izdelati, in jih je mogoče narediti, da bi delovali na način, ki bi ga radi nagibali k inteligentnosti. Rojstvo polja je mogoče izslediti v zgodnjih petdesetih letih 20. stoletja. Verjetno je bil prvi pomemben dogodek v zgodovini AI objavljanje članka z naslovom “Računalniški stroji in inteligenca” britanskega matematika Alana Turinga. V tem članku je Turing trdil, da bi lahko stroj, če bi mimo določenega testa (ki je postal znan kot “test Turinga”), utemeljeno rekli, da je bil računalnik inteligenten. Turingov test vključuje človeško bitje (znano kot “sodnik”), ki prek računalniškega terminala postavlja vprašanja drugim subjektom, od katerih je ena človeško bitje, druga pa računalnik. Če sodnik redno ni pravilno ločil računalnika od človeka, potem je računalnik rekel, da je opravil test. V tem prispevku je Turing obravnaval tudi številne argumente in ugovore z idejo, da bi računalniki lahko pokazali inteligenco.

Ponavadi se domneva, da se je AI rodil kot disciplina na konferenci z naslovom “Dartmouth poletni raziskovalni projekt o umetni inteligenci“, ki jo je med drugim organiziral John McCarthy in Marvin Minsky. Na tej konferenci je sistem, znan kot LOGIC THEORIST, dokazali Alan Newell in Herb Simon. LOGIČNI TEORIST je bil sistem, ki je odkril dokaze o izrekih v simbolni logiki. Pomembnost tega sistema je bila, da je po besedah Feigenbauma in Feldmana (1963: 108) LOGIČNI TEORIST “… prvi umik umetne inteligence v intelektualne procese visokega reda”. Tem začetnemu uspehu so hitro sledili številni drugi sistemi, ki bi lahko opravljali navidezno inteligentne naloge. Na primer, sistem, znan kot “DENDRAL“, je lahko mehaniziral vidike znanstvenega razmišljanja v organski kemiji. Drugi program, znan kot “MYCIN“, je bil sposoben interaktivno diagnosticirati nalezljive bolezni.

Temeljna strategija, ki je zaostala za vsemi temi uspehi, je pripeljala do predloga, kar so leta 1976 znova poimenovali sistemska hipoteza o fizikalnem simbolu. Newell in Simon leta 1976. Sistemska hipoteza fizikalnega simbola pomeni destilacijo teorije, ki je bila za večino dela ki se je nadaljevala do tega datuma in je bila predlagana kot splošna znanstvena hipoteza. Newell in Simon (1976: 41) so zapisali;

“Sistem fizičnih simbolov ima potrebna in zadostna sredstva za splošno inteligentno delovanje.”

Čeprav je prišlo do veliko spornosti o tem, kako natančno je treba to hipotezo razlagati, iz njega izhajajo dva pomembna zaključka. Prvi zaključek je, da so računalniki fizični simbolni sistemi v ustreznem pomenu in zato obstajajo razlogi (če je hipoteza pravilna), da verjamejo, da bi morali biti sposobni prikazati obveščevalne podatke. Drugi zaključek je, da moramo biti tudi fizični simbolni sistemi, saj smo tudi ljudje tudi inteligentni, zato so v pomembnem smislu, podobni računalniku.

Trenutna perspektiva: problemi in uspehi

Z vsemi temi očitno pozitivnimi rezultati in zanimivim teoretičnim delom se zdi precej očitno vprašanje, kje so inteligentni stroji, kot je HAL 9000? Čeprav je bilo na tem področju veliko impresivnih uspehov, je prišlo tudi do številnih pomembnih težav, s katerimi se je ukvarjalo raziskave AI. Še vedno ni HAL 9000 in v realnem primeru bo dobro, preden bodo takšni sistemi na voljo, če se bodo dejansko sploh izkazali za možne.

Zgodnji uspehi v AI so raziskovalce na tem področju spodbudili, da so zelo optimistični. Na žalost je bil optimizem nekoliko napačen. Na primer, leta 1957 je Simon napovedal, da bo šele deset let za računalnik, ki bo svetovni šahovski šah. Seveda tega posebnega podviga ni bilo doseženo do letošnjega leta Temno modra sistem. Vendar obstajajo globlje težave, ki jih je AI prizadel.

Za večino ljudi, če vedo, da je predsednik Clinton v Washingtonu, potem tudi vedo, da je pravo Clintonovo koleno tudi v Washingtonu. To se lahko zdi kot nepomembno dejstvo in dejansko za ljudi, vendar ni trivialno, ko gre za sistem AI. Dejansko je to primer primera, kar je bilo znano kot “Problem pogostega vedenja znanja”. Računalniški sistem ve, kaj je bilo povedano eksplicitno. Ne glede na to, kakšne so zmogljivosti računskega sistema, če ta sistem ve, da je predsednik Clinton v Washingtonu, vendar ne ve, da je tudi njegovo levo koleno, potem sistem ne bo videti preveč pameten. Seveda je povsem mogoče povedati računalniku, da če je oseba na enem mestu, potem je levo koleno na istem mestu, toda to je le začetek težave. Obstaja veliko podobnih dejstev, ki bi jih bilo treba tudi programirati. Na primer, tudi vemo, da če je predsednik Clinton v Washingtonu, potem so njegovi lasje tudi v Washingtonu, njegove ustnice so v Washingtonu itd. Težava z vidika AI je, da najde način za zajetje vseh teh dejstev. Problem Common Sense Knowledge je eden od glavnih razlogov, zakaj nismo še inteligentni računalniki, ki jih predvideva znanstvena fantastika, kot je HAL 9000.

Problem splošnega vedenja v AI je zelo globok. Na primer, računalniku bi bilo težko opraviti test Turinga, če ne bi imel zgoraj opisanega znanja. To točko lahko ponazorimo z upoštevanjem primera ELIZA. ELIZA je sistem AI, ki ga je leta 1966 izdelal Weizenbaum, ki naj bi posnemal psihoterapevta. V teh dneh je veliko različic te programske opreme, precej jih je mogoče prenesti. Čeprav je v nekaterih čutih ELIZA lahko precej impresivna, ne potrebuje veliko, da bi sistem zmedel ali izklopil. Hitro postane jasno, da je sistem daleč od inteligentnega.

V raziskovalni skupnosti AI je bilo veliko odgovorov na problem skupnega vedenja znanja. Ena od strategij je poskušati zgraditi sisteme, ki so namenjeni samo za delovanje na omejenih področjih. To je strategija, ki leži za Loebnerovo nagrado, sodobno dnevno tekmovanje, ki temelji na omejeni različici testa Turing. Nekateri nedavni vnosi na ta natečaj, kot je sistem TIPS, so res precej impresivni v primerjavi z ELIZA.

Druga ambicioznejša strategija je sprejel raziskovalec AI Doug Lenat. Lenat in njegovi kolegi že več let delajo na sistemu, imenovanem CYC. Cilj projekta CYC je razviti veliko računsko bazo podatkov in orodja za iskanje, ki sistemom AI omogočajo dostop do vseh znanj, ki imajo smisel. Projekt CYC poskuša rešiti problem skupnega vedenja znanja. Trenutno se rezultati projekta šele začenjajo pojavljati. Še ni jasno, ali so bili veliki napori uspešni.

Drugi raziskovalci so sprejeli drugačno težavo, da bi rešili problem. Razmišljajo, da ima človeško bitje razum zaradi velikega bogastva izkušenj, ki jih imamo, ko odraščamo in se učimo. Raje poskušajo obravnavati problem skupnega pomena s sprejetjem strategije strojnega učenja. Morda bi se lahko, če bi se računalnik naučil na podoben način kot človeško bitje, razvil tudi zdrav razum. Ta strategija se še vedno izvaja in je še prezgodaj, da bi ugotovili, ali bo uspešna.

Še ena težava, ki jo je raziskava AI raziskala, je, da se naloge, ki so težko za človeška bitja, kot je matematika ali igranje šaha, izkažejo za precej enostavne za računalnike. Po drugi strani pa naloge, ki jih ljudje najdejo enostavno, kot je učenje za krmarjenje po sobi, polnem pohištva, ali prepoznavanje obrazov, računalnikov je razmeroma težko narediti. To je navdihnilo nekatere raziskovalce, da bi poskušali razviti sisteme, ki imajo (vsaj površinsko) možganske lastnosti. Raziskava, ki temelji na tej strategiji, je znana kot področje umetnih nevronskih omrežij (imenovano tudi povezovanje), in je trenutno eno glavnih specializiranih pod-območij znotraj AI. Na zanimivem vidiku umetnih nevronskih mrež je, da se mnogi od teh sistemov učijo in s tem vključijo nekatere od prednosti strategije strojnega učenja za reševanje problema pogostega vedenja. Sistemi umetne nevronske mreže so bili uspešni pri reševanju številnih problemov, kot so tisti, ki vključujejo prepoznavanje vzorcev, ki so se izkazali za težke za druge pristope.

Pomembno je, da se zavedamo, da vsi ne sprejemajo prostorov, ki jih izvaja AI raziskave. Celoten projekt AI je občasno kritiziral. Eden dobro znanih kritikov je Herbert Dreyfus. On je trdil na različne razloge, da je celotno podjetje AI obsojeno na neuspeh, saj predpostavlja o svetu in možganih, ki niso utemeljeni, ko so kritično ocenjeni. Še en znani kritik AI je John Searle. Searle je predlagal argument, ki temelji na miselnem eksperimentu, znanem kot argument Kitajske sobe. Ta argument naj bi dokazoval, da cilj izdelave inteligentnih strojev ni mogoč. Čeprav je bil ta argument prvotno objavljen v osemdesetih letih, je še vedno vroča tema razprave o internetnih novičarskih skupinah, kot je comp.ai.philosophy.

Ali so kritiki AI pravilni ali ne, bo samo čas povedal. Vendar so obstajali dve pomembni vrsti posledic, ki so nastali od začetnega začetka polja. Prvi od njih je bil rojstvo nove in vznemirljive akademske discipline, ki je bila znana kot “kognitivna znanost“. Kognitivne znanosti delijo z AI osnovno predpostavko, da je v določenem smislu duševna dejavnost računska narava. Cilj kognitivne znanosti se sicer razlikuje od cilja kognitivne znanosti. Kognitivni znanstveniki so si zastavili cilj, da razkrijejo skrivnosti človeškega uma. To ni majhna naloga, glede na to, da so človeški možgani najbolj zapleteni pripomočki, ki so znani človeštvu. Na primer, tudi če so narejene različne poenostavitvene predpostavke, se zdi zelo verjetno, da je število različnih možnih stanj posameznega človeškega možgana dejansko večje od števila atomov vesolja! Kljub temu pridobljena spoznanja in napredek pri doseganju cilja AI skupaj z napredkom v drugih disciplinah kažejo, da je projekt kognitivne znanosti uspešen, čeprav je težko doseči.

Drugi niz posledic, ki so nastali zaradi študije AI, so morda nekoliko manj očitni. Danes obstaja veliko programov in sistemov, ki izkoriščajo plodove raziskav AI. Čeprav še nima HAL 9000, so bili doseženi številni zgodnji cilji AI, čeprav ne v enem samem grand sistemu. Morda najbolj žalostna stvar je, da AI redko dobi kredit za svoj prispevek k drugim območjem. V akademskih krogih govori: “Najboljši plodovi AI postanejo preprosta staro računalništvo”. Ko smo se naučili narediti več in več, kar je bilo nekoč skoraj čudežno, postane svetovno. Zdaj, ko je bil cilj resnično finega šaha igranje računalnika uresničen, verjetno tudi to ne bo več vznemirjalo ali presenetilo. Vendar pa je v AI še vedno veliko osupljivih in razburljivih meja. Obstajajo tudi številna trzna vprašanja, ki jih je treba premisliti. V člankih, ki sledijo temu, bom poskušal uvesti nekaj zanimivega dela, ki se izvaja v AI, tako da bo prispevek tega raziskovalnega programa svetu, kot ga poznamo, bolje poznan in razumljen.

Predlagano nadaljnje branje

Campbell, J., (1989), neverjetni stroj, Simon & Schuster (New York).
Copeland, J. (1993), Umetna inteligenca, Blackwells (Oxford).
Churchland, P. (1988), Matter and Consciousness, MIT Press (Cambridge, MA).
Haugeland, J. (1985), Umetna inteligenca: Zelo ideja, MIT Press (Cambridge MA).

Bibliografija

Feigenbaum, E. in Feldman, J. (1963), Računalniki in misli, McGraw-Hill (New York).
Haugeland, J. (1981) Mind Design, MIT Press (Cambridge, MA).
Newell, A. in Simon, H., (1976), “Računalništvo kot empirična preiskava: simboli in iskanje” ponatisnjeno v Haugelandu (1981: str. 35-66).

 

Koristna spletna stran: http://www.ucs.louisiana.edu/~isb9112/dept/phil341/wisai/WhatisAI.html