Три волны ИИ

В  2007–2017 годах в России государственные и бизнес-структуры профинанси­ровали 1386 научных проектов, посвященных искусственному интеллекту (ИИ). Большая часть проектов (1229) — некоммерческие: они проводятся в рамках феде­ральных целевых программ или оплачиваются различными фондами.

За десять лет на исследования и разработки в области ИИ было выделено около 23 млрд рублей. Лидеры по объему государственного финансирования — проекты для госсектора, транспортной отрасли, безопасности и обороны.

Тематическими лидерами по вложениям со стороны государства являются проекты по анализу данных, системы поддержки принятия решений и распо­знавания изображений и видео (последняя тема особенно востребована в военных проектах).

Двадцатого февраля президент России Владимир Путин в своем послании Федеральному собранию призвал создать в стране продвинутую научную инфраструктуру в области ИИ. А 30 мая президент провел совещание по вопросам развития технологий в области искусственного интеллекта. Совещание состоялось в Школе 21 — учрежденной Сбербанком образовательной организации, которая готовит специалистов в области информационных технологий. На совещании были обсуждены подходы к национальной стратегии развития технологий в области искусственного интеллекта. Обращаясь к учащимся школы, президент сказал: «Искусственный интеллект — это будущее не только России, это будущее всего человечества… Тот, кто станет лидером в этой сфере, будет властелином мира». Стоит напомнить более чем полувековую историю работы над ИИ в России и в мире.

Советские ИИ-приоритеты

Историю ИИ в нашей стране можно отсчитывать от 1954 года, когда в МГУ имени М. В. Ломоносова под руководством профессора А. А. Ляпунова начал работу семинар «Автоматы и мышление». В семинаре принимали участие крупнейшие физиологи, лингвисты, психологи, математики. В 1957 году выдающиеся советские математики А. Н. Колмогоров и В. И. Ар­нольд доказали теорему, согласно которой любая непрерывная функция нескольких переменных может быть представлена в виде комбинации конечного числа функций меньшего числа переменных. Спустя десятилетия именно это доказа­тельство стало математическим обоснованием для построения нейрон­ных сетей фиксированной размерности с прямыми связями с определенным количеством «нейронов» входного слоя с определенными нейронами выход­ного слоя, обладающими неизвестными функциями активации.

Среди наиболее значимых результатов, полученных отечественными уче­ными в 1960-е годы, можно отметить алгоритм «Кора» М. М. Бонгарда, модели­рующий деятельность человеческого мозга при распознавании геометрических образов, а также «узнавание» законов формирования арифметических таблиц.

В 1970-е на смену поискам универсального алгоритма мышления при­шла идея моделировать конкретные знания специалистов-экспертов. Разраба­тывается комплекс методов решения различных управленческих задач, опира­ющихся на реляционную модель, так называемое ситуационное управ­ление. В их основе лежит идея, что любая ситуация, которая мо­жет возникнуть в физическом мире, может быть описана через конечное число базовых отношений, из которых при необходимости могут быть порож­дены производные отношения.

В 1974 году при Комитете по системному анализу при Президиуме АН СССР был создан Научный совет по проблеме «Искусственный интеллект», его возглавил Г. С. Поспелов. Заместителями были избраны Д. А. Поспелов и Л. И. Микулич. В состав совета входили на разных этапах М. Г. Гаазе-Рапопорт, Ю. И. Журавлев, Л. Т. Кузин, А. С. Нариньяни, Д. Е. Охоцимский, А. И. Половинкин, О. К. Тихомиров, В. В. Чавчанидзе.

По инициативе Научного совета по проблеме ИИ было организовано пять комплексных научных проектов, во главе которых стояли ведущие специалисты в этой области.

В МГУ был разработан язык РЕФАЛ — единствен­ный язык, который на сегодняшний день может быть сочтен «русским языком программирования» высокого уровня, в том числе для систем ИИ.

В 1988 году создается Ассоциация искусственного интеллекта (АИИ). Ее членами являлись более 300 исследователей. Президентом ассоциации был еди­ногласно избран Д. А. Поспелов. В научный совет ассоциа­ции вошли ведущие исследователи в области ИИ — В. П. Гладун, В. И. Городецкий, Г. С. Осипов, Э. В. Попов, В. Л. Стефанюк, В. Ф. Хорошевский, В. К. Финн, Г. С. Цейтин, А. С. Эрлих и другие ученые. В рамках ассоци­ации проводилось большое количество исследований, организовывались школы для молодых специалистов, семинары, симпозиумы. Раз в два года собирались объединенные конференции, издавался научный журнал.

Можно сказать, что уровень теоретических исследований по искусственному интеллекту в СССР был ничуть не ниже мирового.

Три волны ИИ

В США искусственный интеллект (англ. artificial intelligence, AI) как выделенная область исследований берет начало с научного семинара в Дартмуте, состоявшегося в 1956 году. Многие из его участников позднее будут признаны основоположниками этого направления: Аллен Ньюэлл (Allen Newell), Герберт Саймон (Herbert A. Simon), Джон Маккарти (John McCarthy), Марвин Минский (Marvin Minsky), Натаниэль Рочестер (Nathaniel Rochester) и Клод Шеннон (Claude Shannon).

В конце 1950-х — начале 1960-х обозначились два основных магистральных пути развития ИИ. Первый путь отталкивался от предположения, что нейроны передают электрические сигналы, которые можно расшифровать и воспроизвести. Второе направление исходило из предпосылки, что человеческий интеллект основан на манипуляции символами, и, поскольку компьютер тоже манипулирует символами, можно смоделировать то, как человек мыслит.

Вторая волна ИИ, начавшаяся с конца 1960-х, была связана с появлением логического программирования (язык Prolog, 1971 год). В 1970-е появились семантические сети, системы фреймов, продукционные системы (системы, основанные на правилах) и их комбинации. Прошли первые чемпионаты мира по игре машин в шахматы между собой.

Системы ИИ первой и второй волны получили шуточное название «старый добрый ИИ», или «символьный ИИ». В целом они были основаны на формальной логике, которая хорошо применима для формализуемых задач типа логических игр, но в ней трудно представить системы реального мира.

Нынешнее возрождение интереса к ИИ уже третье по счету и отличается от предыдущих как амплитудой, так и охватом, поскольку сейчас для решения задач ИИ имеются не только необходимые технические средства (вычислительная техника на основе сверхбольших микросхем-чипсетов, повсеместно распространившиеся беспроводные сети и интернет), но и далеко продвинувшиеся работы в этой области. Начало третьей волне положила знаменитая победа (май 1997 года) в матче из шести партий американской программы Deep Blue над чемпионом мира по шахматам Гарри Каспаровым.

Можно сказать, что эра компьютеров как двигателя полупроводниковой индустрии (микроэлектроника) заканчивается. Сейчас все надежды инвесторов, производителей и разработчиков микросхем на то, что таким двигателем станут ИИ и робототехника. Здесь уже сформировались огромные по объемам сегменты: промышленная, сервисная и военная робототехника, беспилотные транспортные средства, медицинская робототехника и др. Системы ИИ делятся на две большие группы.

Прикладной искусственный интеллект (также используют термин «слабый ИИ» или «узкий ИИ», в английской традиции — weak/applied/narrow AI) — это ИИ, предназначенный для решения какой-либо одной интеллектуальной задачи или их небольшого множества. К этому классу относятся системы для игры в шахматы, распознавания образов, речи, принятия решения и т. д.

Универсальный искусственный интеллект («сильный ИИ», по-английски — strong AI / Artificial General Intelligence) — гипотетический (пока что) ИИ, способный решать любые интеллектуальные задачи.

В процессе построения систем «слабого ИИ» сформировались четыре основных инженерных подхода: логический, структурный, эволюционный и имитационный.

Логический подход

Большинство систем искусственного интеллекта, построенных по логическому принципу, представляют собой определенную машину доказа­тельства теорем. В каждой такой машине есть блок генерирования цели, причем система вывода доказывает эту цель как теорему. Эта система больше из­вестна под названием «компьютерная экспертная система».

Первую экспертную систему, которую назвали Dendral, разработали в Стэн­форде в конце 1960-х. Это была экспертная система, определяющая строе­ние органических молекул по спектрографическим данным о химических свя­зях в молекулах.

Существуют экспертные системы, которые могут диагностировать заболе­вания человека, составлять финансовые прогнозы и планировать оптималь­ные маршруты для транспортных средств. Некоторые экспертные системы предназначены для выполнения большинства экспертных функций, а другие — для помощи им.

Хороший пример диагностической системы — MYCIN, разработанная в начале 1970-х годов в Стэнфордском университете. Назва­ние системы происходит от суффикса «-мицин», часто встречающегося в назва­ниях антибиотиков. MYCIN также использовалась для диагностики заболеваний свертываемости крови.

Другая известная диагностическая система — DELTA, разработанная по заказу General Electric (GE) для обнаружения неисправностей двигателей. База знаний DELTA содержит более 500 правил. Система использует гибкую поисковую систему. Сначала она была разработана в LISP, а затем пере­программирована в FORT.

ACE — диагностическая система, которая обнаруживает и диагности­рует сбои в телефонной сети путем выявления плохих мест в сети и рекомендует соответствующие ремонтные и реабилитационные услуги.

А система IBM Watson (США), которая изначально разрабатывалась для постановки диагнозов, нашла применение не только во врачебной практике. В апреле 2015 года. IBM объявила о запуске «Облака здоровья» на базе Watson (Watson Health Cloud — безопасной и открытой облачной платформы, предназначенной для врачей, исследователей, страховых агентов и различных компаний со всего мира, которые специализируются на решениях для красоты и здоровья).

Все экспертные системы работают в режиме приобретения знаний, где об­щение с экспертной системой осуществляет эксперт, и в режиме консульта­ций — для обычных пользователей. Хорошо построенная экспертная система должна иметь возможность самообучаться на решаемых задачах, автоматически пополняя свою базу знаний результатами полученных выводов и реше­ний.

Структурный подход

Структурный подход в качестве основы системы ИИ использует моделирование структуры мозга человека. Среди первых подобных попыток необходимо отметить перцептроны Румельхарта и Розенблатта.

Нейронные сети снова привлекли всеобщее внимание в 2012 году, ко­гда Алекс Крижевски благодаря им выиграл конкурс ImageNet (грубо говоря, это ежегодная олимпиада по машинному зрению), снизив рекорд ошибок классификации с 26 до 15%, что тогда стало прорывом.

Классический и, возможно, самый популярный вариант использования нейронных сетей — обработка изображений.

В середине 1990-х компания Nvidia, известный производитель видеокарт, обнаружила, что ее графические процессоры хорошо подходят для работы нейронных сетей, и начала выпускать карты, специально приспособлен­ные для работы с ИИ. Выяснилось, что работа с более быст­рыми и сложными нейронными сетями приводит к значительному повышению точности ответов.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются по методу обратного распространения ошибки (бэкпроп). Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Чем больше тренировочных данных, которые можно скормить нейронной сети, тем больше можно создать обучающих итераций.

Сегодня глубинное обучение лежит в основе услуг многих IT-компаний. Facebook использует нейронные сети для алгоритмов автоматического проставления тегов. Google — для поиска среди фотографий пользователя. Amazon — для генерации рекомендаций товаров, Pinterest — для персонализации домашней страницы пользователя, а Instagram — для поисковой инфраструктуры.

Развитием технологии глубинного обучения стала реализованная IBM летом 2017 года технология распределенного глубинного обучения (DDL), позволяющая на порядок сократить время обучения искусственной нейронной сети.

От традиционных процессорных систем нейропроцессоры отличаются особенной архитекту­рой. Они имеют более «однородную» структуру, состоящую из множества нейронов — одинаковых и относительно простых вычислительных ячеек со встроенной памятью. Таким образом, архитектура нейропроцессора по опреде­лению оказывается многоядерной, ведь каждый нейрон — это самостоя­тельное вычислительное ядро.

Эволюционный подход

Классическим примером эволюционного алгоритма является генетический алгоритм (genetic algorithm). Эволюционная теория утверждает, что каждый биологический вид целенаправленно развивается и изменяется для того, чтобы наилучшим образом приспособиться к окружающей среде. Можно сказать, что эволюция — это процесс оптимизации всех живых организмов.

Отец-основатель «генетических алгоритмов» Джон Холланд придумал ис­пользовать генетику в своих целях в 1975 году. (Для справки: в этом же году появился «Альтаир 8800» — первый персональный компьютер.) Как нетрудно догадаться, идея алгоритма взята у природы: путем перебора и, самое главное, отбора получается правильная «комбинация».

Генетические алгоритмы широко используются для того, чтобы быстро ре­шать сложнейшие оптимизационные задачи в бизнесе и финансах. Многочис­ленные варианты генетических алгоритмов употребляются при исследовании разнообразных научных и технических проблем: создание реактивных двигате­лей, повышение эффективности обслуживания самолетов авианос­цами и др.

В 1994 году Эндрю Кин из Университета Саутгемптона использовал генетиче­ский алгоритм в дизайне космических кораблей. Взяв за основу модель опоры космической станции, спроектированной в NASA, Кин перевел ее параметры в бинарные строчки-«хромосомы», сделал приличное количество копий и на 11 компьютерах запустил «киберсекс». «Хромосомы» обменивались «ге­нами» и производили «потомство», после чего компьютер выбирал лучших. И они продолжали «размножаться». После смены 15 поколений, включающих в себя 4500 вариантов дизайна, получилась модель, превосходящая по тестам тот вариант, который разработали инженеры NASA.

Джон Коза из Стэнфорда развил более сложную технику — «генетическое программирование». Результатом «мутаций» здесь становятся целые про­граммы — виртуальные аналоги реальных устройств. Выращивая в таком «вир­туальном бульоне» усилители, фильтры, контроллеры и другие электрон­ные схемы, он получил на выходе 15 человеческих изобретений, причем один из контроллеров даже превосходил аналогичную человеческую разра­ботку.

Компания Genetic Programming, принявшая на работу Джона Коза, для вы­числительных операций по генетическим алгоритмам использовала самодельный суперкомпьютер, состоящий из тысячи 350-мегагерцовых «Пен­тиумов».

Имитационный подход

Цель имитационного моделирования — воспроизведение поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между ее элементами, или, другими словами, — разработка симулятора (англ. simulation modeling) исследуемой предметной области для проведения различных экспериментов.

С этим подходом связана одна очень интересная идея. Представим себе, что за нами наблюдает какое-то устройство, которое следит за тем, что в каких ситуациях мы делаем, говорим. Наблюдение идет за величинами, которые поступают к нам на вход (зрение, слух, вкус, тактильные, вестибулярные и т. д.), и за вели­чинами, которые выходят от нас (речь, движение и др.). Далее это устройство пытается отстроить какую-то модель таким образом, чтобы при определенных сигна­лах на входе она выдавала на выходе те же данные, что и человек. Если эта затея когда-нибудь будет реализована, то для всех посторонних наблюдате­лей такая модель будет той же личностью, что и реальный человек. А после его смерти она будет высказывать те мысли, которые предположи­тельно высказывал бы и смоделированный человек.

Национальные стратегии и актуальные проекты ИИ

В октябре 2016 года администрация Барака Обамы обнародовала Стратегический план исследований в области ИИ (The National Artificial Intelligence Research Strategic Plan). В качестве приоритетов в плане выделены следующие направления:

— обеспечение долгосрочных инвестиций в новые поколения ИИ;

— разработка эффективных методов взаимодействия ИИ и человека;

— понимание этических, правовых и социальных вызовов, которые несет ИИ, и ответ на них;

— обеспечение безопасности систем ИИ;

— разработка общедоступных баз данных и специальной среды для обучения и тестирования ИИ;

— разработка стандартов и бенчмарков для ИИ;

— определение необходимых трудовых ресурсов для разработок в области ИИ.

В феврале 2017-го высший китайский орган экономического планирования одобрил план создания национальной лаборатории ИИ для исследований в области машинного обучения. Возглавил проект китайский поисковик Baidu (аналог Google) в партнерстве с элитными китайскими уни­верситетами.

Китайская стратегия ИИ предусматривает три этапа:

— «Конкурентоспособность в сфере ИИ», 2020 год. Основной фокус: интел­лект больших данных, автономные интеллектуальные системы, «кросс-медиум»-интеллект, роевой интеллект, гибридный расширенный интеллект, основополагающие теории в сфере ИИ;

— «Прорывы», 2025 год. ИИ получит широкое применение в медицине, го­родской инфраструктуре, производстве, сельском хозяйстве, в построении систем наци­ональной обороны, в сфере применения законов и правил, а также для оценки безопасности и возможности осуществления функций кон­троля.

— «Мировое лидерство», 2030 год. Организация механизмов социального управления, включая деятельность органов власти, построение си­стемы национальной обороны и выстраивание глобальных производ­ственно-сбытовых цепочек.

Кроме США и Китая еще пять стран до конца 2017 года приняли национальную стратегию искусствен­ного интеллекта, и в течение 2018-го их примеру последовали еще 30 стран.

ИИ стал одной из самых популярных тем Всемирного экономического форума в Давосе 2018 года — глобальной трибуны для обсуждения экономических и общественных вопросов.

Глава IBM Джинни Рометти в своем выступлении вместо термина «искусственный интеллект» использовала понятие «когнитивный», или «дополненный интеллект» (augmented intelligence). Она призвала повысить доверие общества к ИИ посредством полной прозрачности применения современных когнитивных технологий. Таких же принципов должны, по ее мнению, придерживаться государственные органы.

Глава корпорации Google Сундар Пичаи заявил, что технологии ИИ «значительнее, чем электричество или огонь»; в частности, ИИ «приблизит нас к повсеместному распространению чистой и дешевой энергии, поможет справиться с онкологическим заболеваниями и с катастрофическими изменениями климата».

В то же время глава китайской компании Alibaba Джек Ма предупредил, что в отсутствие надлежащего общественного контроля над ИИ может стать причиной третьей мировой войны.

По оценкам аналитиков McKinsey, рынок ИИ к 2025 году может достичь 126 млрд долларов при расходовании в год до 30 млрд долларов основными игроками. Многие инвесторы соглашаются, что ИИ будет следующей технологической революцией, меняющей повседневную жизнь и производ­ство.