В середине 30-х годов подростку из Детройта, ребенку Великой Депрессии, попадает в руки том «Principia Mathematica» — фундаментального труда начала XX века об основах математики. Прочитав книгу за 3 дня, 12-летний мальчик находит в ней несколько спорных моментов, и вскоре пишет письмо одному из авторов — 63-летнему британскому философу Бертрану Расселу. Ученый, пораженный способностями подростка, предлагает ему поступить к нему в аспирантуру в Великобритании, но из-за юного возраста, тот отказывается. Спустя 3 года подросток сбегает из дома, чтобы послушать лекции Рассела в Университете Чикаго.
Привет! Меня зовут Владимир Манеров, я исполнительный директор компании TEAMLY и руковожу отделом разработки платформы. В прошлой статье я рассказывал о ближайшем будущем в сфере ИИ, а сегодня решил рассказать об истории искусственного интеллекта крупными мазками.
Того подростка звали Уолтер Питтс, и через 8 лет он опубликует первую работу о компьютеризации нейрона. Она станет фундаментальной в сфере разработки искусственного интеллекта еще до того, как появятся первые компьютеры.
Революционная идея Уолтера Питтса и его коллеги Уоррена МакКалока заключалась в том, что они представили мозг, как компьютер. Это стимулировало большой интерес, который позже трансформировался в кибернетику. А пока математики занимались наукой, фантасты того времени увлеченно писали свои литературные труды. Так идея искусственного интеллекта выплеснулась за пределы университетов, где ее подхватило общество. И, как всегда, появились скептики. Дескать, не может быть такого, что роботы заменят человека, будут думать и предлагать решения. Что ж, спустя 80 лет роботы именно это и делают. Хоть не во всех сферах, но тенденция наметилась очень отчетливо.
Что же все это время происходило в науке искусственного интеллекта?
Рождение науки
В 1948 году вышли две сразу важные теории:
«Кибернетика» Норберта Винера — наука о закономерностях процессов управления и передачи информации в машинах, живых организмах и обществе.
Теория информации Клода Шеннона — измерение количества информации, её свойств и предельных соотношений для систем передачи данных.
Важные мысли, которые главенствовали в новых идеях:
Сложные системы состоят из иерархии саморегулируемых элементов.
Отдельный элемент имеет механизм управления, приводящий к изменениям выхода обратно пропорционально отклонению от целевого значения (отрицательная обратная связь).
В начале 50-х годов Алан Тьюринг предложил свой известный тест, который способен определить с кем мы говорим — с человеком или компьютером.
За 15 лет несколько ученых из разных дисциплин (математика, инженерия, психология, экономика) сделали несколько важных научных открытий, которые стали бустером для развития ИИ. И уже в 1956 году область исследований искусственного интеллекта стала самостоятельной академической дисциплиной.
До семидесятых годов сфера бурлила. В США, СССР, Великобритании и других ведущих странах создавались научные сообщества, которые ежегодно предлагали идеи и решения. Некоторые из них безвестно канули, но часть получала развитие.
До сих пор актуален подход к сложным вычислениям, как к композиции простых, а также идея о том, что рассуждения человека при решении задачи могут быть описаны набором правил. А вот идея об эволюционном развитии ИИ не прошла проверку: развитие через накопление случайных ошибок (мутаций) и даже их умышленной рекомбинации происходило очень медленно. И спустя 40 лет попыток развить эту идею, от нее отступились. Впрочем, ее не забыли, а используют и сегодня для построения нейросетей.
Многократные повторения и поиск новых методик привел к мысли, которая сейчас кажется простой: важнейшим свойством человеческого интеллекта является способность к обучению. Но одних лишь рассуждений недостаточно для обучения, нужны факты из физического мира. Знания о мире можно представить в виде набора понятий и отношений между ними. Например, в виде семантической сети.
Всё ближе мы подходим к идее перцептрона — основной структуры обучаемой нейросети, цифрового двойника человеческого мозга, о котором мечтал Питтс.
Но к 70-м годам многие теории были проработаны, а вот что делать дальше было неясно. Начали появляется скептические публикации от философов и журналистов. Самые идейные участники продолжали исследовать. Но основной интерес сообщества сместился в противоположную от нейросетей область символьных вычислений.
Наступил период AI-зимы.
Возрождение интереса
К началу 80-х годов японское экономическое чудо вывело Страну восходящего солнца на второе место в мире. Наконец-то оправившись после ущерба Второй Мировой войны, японцы стали смотреть в сторону высоких технологий, в том числе на разработку компьютера нового поколения.
В 1980 году японцы представили робота Wabot-2, который мог читать музыкальные партитуры, общаться с людьми и играть на электронном органе. Это был успешный проект, который вернул интерес научного сообщества к искусственному интеллекту. Хуманизация этого устройства — скорее дань маркетингу, чем полезное свойство. Даже сейчас роботы-гуманоиды проигрывают роботам без каких-либо признаков человеческой внешности, куда выигрышней роботы-собаки — за счет эрогономичной инженерии.
Вернемся в восьмидесятые: за первую пятилетку были предложены несколько конструкций, которые стали несущими в вопросах машинного обучения:
нейронная сеть в виде многослойного набора связанных перцептронов для обработки информации и формулирования предсказаний;
авторазличие объектов в обратном режиме.
Искусственный интеллект стал не просто героем фантастических книг, теперь обычные сотрудники компаний могли работать с ним. Стали выходить экспертные системы в виде софта для технологических компаний. В них использовались громоздкие Lisp-машины. Они работали на магнитных лентах, занимали целую комнату, а работать без специальной подготовки было просто невозможно.
Параллельно с этим корпорации Apple и IBM работали над тем, чтобы сделать более мощные и дешевые компьютеры. Они предполагали совсем другой подход к работе за компьютером, и технологии Lips-машин не могли быстро адаптироваться к нему. ПК нового типа вскрыли высокий процент ошибок своих предшественников. Поэтому старые машины пришлось отправить на свалку истории. Так закончилась первая волна коммерческого использовании AI-систем.
Новейшая история
Девяностые были периодом сумбура не только в странах бывшего СССР, но и в деле компьютерной революции. Когда появилась возможность обрабатывать больше данных и обставить офисы персональными компьютерами, встал вопрос о том, как обрабатывать и хранить столько данных. Для этого требовались новые подходы к структуре алгоритмов, а также новое «железо». Теперь это уже азы, которым учат на первом курсе института. Но тогда только к концу 90-х сфера изучения ИИ вышла из заморозки, базы данных стали называть Big Data, и исследователи научились извлекать из них всё больше знаний. Появилась концепция интеллектуального помощника.
В 1997 году произошло эпохальное событие — суперкомпьютер IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова. У многих это не укладывалось в голове: раньше считалось, что для этого потребуется просчет всех комбинаций партии длиной в 32 года!
Стало ясно, что за кремниевыми интеллектуалами будущее. Повсеместное распространение интернета породило экспонентный рост количества данных. Теперь машинное обучение активно используется в бытовой жизни: поисковая выдача, умные ленты, сканирование товаров в магазине, рекомендательные системы и т.д. Конечно, машинное обучение активно используется и в науке — медицине, биологии, инженерии и т.д.
Что мы имеем сейчас
Нейробиология была бы невозможна без стремления людей создать искусственный интеллект. И наоборот, ИИ был бы невозможен без нейробиологии. Последние 100 лет эти направления идут рука об руку. А современные нейросети построены на основе базовой модели нейрона человеческого мозга.
Нейросети на удивление хорошо работают:
проверка на тестовой выборке показывает точность выше 99% почти всегда (если разработчики постарались, конечно);
чем больше данных используется для обучения — тем лучше;
сложность архитектуры слоев и функции отдельных нейронов не тормозят основные функции;
нейросети решают задачи в широком круге прикладных областей.
Меня это, конечно, очень восхищает. Точно так же в 1948 году людей восхищала прорывная кибернетика Норберта Вейнера. Сейчас она кажется чем-то простым и даже очевидным. Вероятно, для людей будущего сложная архитектура современных нейросетей будет казаться чем-то примитивным.
Спасибо, что дочитали!
Рекламная пауза традиционная
17 апреля в московском ЦДП мы проведем Конференцию TEAMLY, посвященную совместной работе и управлению корпоративными знаниями. Приходите послушать доклады спикеров из компаний ГрандМоторс, КАМАЗ Digital, Splat, Epiphany. Поговорим о том, как управлять проектами и командами на основе прикладного опыта и знаний компании.
Я тоже буду выступать: расскажу, как мы в стартапе TEAMLY перекраиваем управление задачи при быстром росте команд.
Больше информации и ссылка на регистрацию здесь.
