1. Искусственный интеллект и интеллект роботов

Среди разнообразных задач, возникающих перед человеком, вычислительной машиной или роботом, особое значение имеют интеллектуальные задачи. Выше, в первой главе, мы охарактеризовали этот класс задач. Анализ особенностей подобного рода задач позволил более точно определить такие новые понятия, как "искусственный интеллект" и "интеллект роботов". Поэтому мы не будем здесь повторять этих определений, а перейдем к более или менее детальному описанию конкретных систем искусственного интеллекта и элементов интеллекта роботов.

Принципиальная возможность автоматизации решения интеллектуальных задач с помощью ЭВМ и роботов обеспечивается свойством алгоритмической универсальности. Что же это за свойство?

Алгоритмическая универсальность ЭВМ означает, что на них можно программно реализовать (т. е. представить в виде машинной программы) любые алгоритмы преобразования информации, - будь то вычислительные алгоритмы, алгоритмы управления, поиска доказательства теорем или композиции мелодий. При этом мы имеем в виду, что процессы, порождаемые этими алгоритмами, являются потенциально осуществимыми, т. е. что они осуществимы в результате конечного числа элементарных операций. Практическая осуществимость алгоритмов зависит от имеющихся в нашем распоряжении средств, которые могут меняться с развитием техники. Так, в связи с появлением быстродействующих ЭВМ стали практически осуществимыми и такие алгоритмы, которые ранее были только потенциально осуществимыми.

Однако свойство алгоритмической универсальности не ограничивается констатацией того, что для всех известных алгоритмов оказывается возможной их программная реализация на ЭВМ. Содержание этого свойства имеет и вполне определенный характер прогноза на грядущие времена: всякий раз, когда в будущем какое-либо предписание будет признано алгоритмом, то независимо от того, в какой форме и какими средствами это предписание будет первоначально выражено, его можно будет задать также в виде машинной программы.

Необходимо подчеркнуть, что, именно благодаря алгоритмической универсальности ЭВМ, роботы, содержащие ЭВМ в качестве управляющей системы, потенциально способны решать разнообразные интеллектуальные задачи, которые до последнего времени считались прерогативой человека. Однако совершенно ясно, что техническая реализация этих интеллектуальных способностей требует создания соответствующего алгоритмического и программного обеспечения - элементов искусственного интеллекта.

В то же время разработка элементов и систем искусственного интеллекта невозможна без решения ряда конкретных интеллектуальных задач, таких, как автоматическое распознавание и описание зрительных и звуковых образов, построение программных движений среди препятствий, адаптивная стабилизация программных движений и др. Каждая из этих задач требует специфических идей и подходов к их эффективному решению. По мере решения этих задач в ЭВМ и в управляющие системы роботов будут вводиться новые элементы искусственного интеллекта, расширяющие их функциональные возможности.

Однако не следует думать, что вычислительные машины и роботы могут в принципе решать любые задачи. Анализ разнообразных задач привел математиков к замечательному открытию. Было строго доказано существование таких типов задач, для которых невозможен единый эффективный алгоритм, решающий все задачи данного типа; в этом смысле невозможно решение задач такого типа и с помощью вычислительных машин или роботов. Этот факт способствует лучшему пониманию того, что могут делать машины или роботы и чего они не могут сделать. В самом деле, утверждение об алгоритмической неразрешимости некоторого класса задач, т. е. о невозможности указать соответствующий разрешающий алгоритм, является не просто признанием того, что такой алгоритм нам не известен и никем еще не найден. Такое утверждение представляет собой одновременно и прогноз на все будущие времена о том, что подобного рода алгоритм никогда и никем не будет указан или, иными словами, что он не существует.

Рассмотрим теперь вопрос об интеллекте роботов и искусственном интеллекте вообще. В многочисленных исследованиях, посвященных этой проблематике, видны три основных подхода.

В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д.

Второй подход в качестве объекта исследования рассматривает искусственный интеллект и, в частности, интеллект роботов. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Разумеется, все три подхода связаны и в своем развитии оказывают существенное влияние друг на друга. Следует заметить, что одним из основных стимулов интенсивного развития второго и третьего подходов является насущная потребность в интеллектуальных роботах.

Вопрос о том, могут ли машины или роботы мыслить, все еще вызывает дискуссию. Интересно, однако, то, что в своей исходной форме этот вопрос лишен смысла. Если слова "машина" и "может" имеют более или менее точный смысл, то смысл слова "мыслить" не вполне ясен. Вместо того, чтобы определить, что значит "мыслить" (на этот счет существуют различные точки зрения), попытаемся описать этот термин примерами мышления, т. е. примерами интеллектуальных операций. Тогда для утвердительного ответа на исходный вопрос достаточно будет показать, что машины или роботы могут осуществлять процессы, являющиеся типичными примерами мышления.

К наиболее ярким примерам мышления относятся такие интеллектуальные операции, как распознавание образов, формирование понятий, принятие решений, решение логических задач, планирование поведения, интеллектуальные игры, доказательство теорем, адаптивное управление и т. п. Все эти процессы уже сейчас можно реализовать на вычислительных машинах. Более того, для ряда прикладных задач они уже реализованы, т. е. создано соответствующее алгоритмическое и программное обеспечение. Иными словами, для решения ряда интеллектуальных задач уже сейчас созданы элементы и системы искусственного интеллекта.

Так, американский кибернетик А. Самуэль составил для вычислительной машины программу, которая позволяет ей играть в шашки, причем в ходе игры машина обучается или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. В 1962 г. эта машина сразилась с Р. Нили, одним из сильнейших шашистов в США. Р. Нили проиграл.

Приведем его оценку этого уникального матча: "Любопытно, что машина могла победить, только сделав несколько великолепных ходов; у меня же было несколько благоприятных возможностей для того, чтобы окончить игру вничью. Однако машина провела отличное окончание, не сделав ни одной ошибки. В эндшпиле у меня не было подобного соперника с 1954 г., когда я проиграл последний раз".

Каким же образом машине удалось достичь столь высокого класса игры?

Естественно, что в машину были программно заложены правила игры так, что выбор очередного хода был подчинен этим правилам. На каждой стадии игры машина выбирала очередной ход из множества возможных ходов согласно некоторому критерию качества игры. В шашках (как и в шахматах) обычно невыгодно терять свои фигуры, и, напротив, выгодно брать фигуры противника. Игрок (будь то человек или машина), который сохраняет подвижность своих фигур и право выбора ходов и в то же время держит под боем большое число полей на доске, обычно играет лучше своего противника, не придающего значения этим элементам игры. Описанные критерии хорошей игры сохраняют свою силу на протяжении всей игры, но есть и другие критерии, которые относятся к отдельным ее стадиям - дебюту, миттельшпилю, эндшпилю.

Разумно сочетая такие критерии (например, в виде линейной комбинации с экспериментально подбираемыми коэффициентами или более сложным образом), можно для оценки очередного хода машины получить некоторый числовой показатель эффективности - оценочную функцию. Тогда машина, сравнив между собой показатели эффективности очередных ходов, выберет ход, соответствующий наибольшему показателю. Подобная автоматизация выбора очередного хода не обязательно обеспечивает оптимальный выбор, но все же это какой-то выбор, и на его основе машина может продолжать игру, совершенствуя свою стратегию (образ действия) в процессе обучения на прошлом опыте. Формально обучение состоит в "подстройке" параметров (коэффициентов) оценочной функции на основе анализа проведенных ходов и игр с учетом их исхода.

Таков в общих чертах процесс обучения машины, основанный на принципе обобщения прошлого опыта и успеха. По мнению А. Самуэля, машина, использующая этот вид обучения, может научиться играть лучше, чем средний игрок, за относительно короткий период времени. Однако, как отмечает автор программы, машина "так и не научилась играть общепринятым способом, и ее дебюты могут оказаться слабыми. С другой стороны, она очень скоро выучилась хорошо разыгрывать миттельшпили и, как правило, получив хотя бы незначительное преимущество, быстро расправлялась со своим противником".

Можно сказать, что все эти элементы интеллекта, продемонстрированные машиной в процессе игры в шашки, сообщены ей автором программы. Отчасти это так. Но не следует забывать, что программа эта не является "жесткой", заранее продуманной во всех деталях. Она совершенствует свою стратегию игры в процессе самообучения. И хотя процесс "мышления" у машины существенно отличен от того, что происходит в мозгу играющего в шашки человека, она способна у него выиграть.

Ярким примером сложной интеллектуальной игры являются шахматы. В 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Как известно, победу на этом турнире одержала советская машина с шахматной программой "Каисса", разработанной в Институте проблем управления. Однако возможности современных машин и шахматных программ ограничиваются большей сложностью шахмат по сравнению с шашками как в отношении разнообразия фигур и ходов, так и в несравненно большем числе стратегий, применяемых на различных этапах работы. Кроме того, эти программы еще не способны обучаться игре столь же эффективно, как программа А. Самуэля. Тем не менее, по мнению специалистов, уже в ближайшие годы машины достигнут гроссмейстерского уровня мастерства.

В настоящее время существуют и успешно применяются программы, позволяющие машинам играть в деловые или военные игры, имеющие большое прикладное значение. Здесь также чрезвычайно важно придать программам присущие человеку способности к обучению и адаптации.

Одной из наиболее интересных интеллектуальных задач является задача обучения распознаванию ситуаций. Решением ее занимались и продолжают заниматься представители различных наук - физиологи, психологи, математики, инженеры. Такой интерес к задаче стимулировался фантастическими перспективами широкого практического использования результатов теоретических исследований: читающие автоматы, системы искусственного интеллекта, ставящие медицинские диагнозы, прогнозирующие погоду, проводящие криминалистическую экспертизу и т. п., а также роботы, способные распознавать и анализировать сложные сенсорные ситуации.

Человек умеет на основе опыта вырабатывать понятия и распознавать наблюдаемые объекты, т. е. относить их к тому или иному понятию. Существуют два метода обучения понятиям: один из них - объяснение и заучивание, другой, более интересный, - обучение на примерах и обобщение (экстраполяция).

В 1957 г. американский физиолог Ф. Розенблатт предложил модель зрительного восприятия и распознавания - перцептрон (от слова "перцепция" - восприятие). Появление машины, способной обучаться понятиям и распознавать предъявляемые объекты, оказалось чрезвычайно интересным не только физиологам, но и представителям других областей знания (в первую очередь - математикам и инженерам) и породило большой поток теоретических и экспериментальных исследований.

Перцептрон или любая программа, имитирующая процесс распознавания, работают в двух режимах: в режиме обучения и в режиме распознавания. В режиме обучения некто (человек, машина, робот или природа), играющий роль учителя, предъявляет машине объекты и о каждом из них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило, являющееся, по существу, формальным описанием понятий. В режиме распознавания машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать, по возможности, правильно.

Качество решающего правила определяется его экстраполирующей силой, т. е. способностью правильно распознавать объекты в режиме распознавания. Опыт показывает, что обычно уменьшение сложности решающего правила (понимаемого, например, как число реализующих его элементов и связей между ними) увеличивает его экстраполирующую силу. Экстраполирующая сила решающего правила может служить количественной мерой степени интеллектуальности реализующей это правило системы - будь то человек или машина. Имея оценки экстраполирующей силы (возможно, усредненные тем или иным способом), можно построить своеобразную шкалу степени интеллектуальности различных алгоритмов искусственного и естественного интеллекта при решении задач обучения распознаванию.

В настоящее время существует большое количество эффективных алгоритмов и программ автоматического обучения понятиям и распознавания [6]. Важно отметить, что эти алгоритмы и программы составляют существенный элемент интеллекта роботов. Они позволяют роботу обучаться распознаванию тактильных, зрительных, слуховых образов и любых других "жизненно важных" сенсорных ситуаций.

Проблема обучения распознаванию тесно связана с другой интеллектуальной задачей - проблемой перевода с одного языка на другой, а также обучения машины языку. При достаточно формальной обработке и классификации основных грамматических правил и приемов пользования словарем можно создать вполне удовлетворительный алгоритм для перевода, скажем, научного или делового текста. Для некоторых языков такие алгоритмы и реализующие их программы уже давно созданы. Ведутся работы по созданию программ, позволяющих обучать ЭВМ или робота смыслу слов и фраз. Имеются также программы, обеспечивающие диалог между человеком и машиной на урезанном естественном языке.

Что же касается моделирования логического мышления, то хорошей модельной задачей здесь может служить задача автоматизации доказательства теорем. Начиная с 1960 г., был разработан ряд программ, способных находить доказательства теорем в исчислении предикатов первого порядка. Эти программы обладают, по словам американского специалиста в области искусственного интеллекта Дж. Маккарти, "здравым смыслом", т. е. способностью делать дедуктивные заключения.

В программе К. Грина и др., реализующей вопросно-ответную систему, знания записываются на языке логики предикатов в виде набора аксиом, а вопросы, задаваемые машине с помощью телетайпа, формулируются как подлежащие доказательству теоремы. Большой интерес представляет "интеллектуальная" программа американского математика Хао Ванга. Эта программа за 3 минуты работы ЭВМ ИБМ-704 вывела 220 относительно простых лемм и теорем из фундаментальной математической монографии, а затем за 8,5 минуты выдала (напечатала) доказательства еще 130 более сложных теорем, часть из которых еще не была выведена математиками.

Необходимо подчеркнуть, что столь сложный на первый взгляд процесс, как дедуктивный вывод в формальной системе, по существу, есть процесс чисто механический, легко автоматизируемый с помощью ЭВМ.

В следующей главе мы покажем, что алгоритмы и программы дедуктивного вывода, т. е. поиска доказательства теорем, применимы также для решения таких задач, как распознавание сложных объектов (например, сложных изображений), планирование поведения роботов, автоматическое программирование. Они составляют важную часть систем искусственного интеллекта, которая позволяет автоматизировать решение широкого класса логических задач.

Одним из наиболее важных классов интеллектуальных задач являются задачи управления сложными динамическими объектами, функционирующими в условиях большой априорной неопределенности. Типичными примерами подобного рода объектов служат технологические и экономические объекты, летательные аппараты, исполнительные механизмы роботов и т. п. Для решения задач управления такими объектами при наличии неопределенности создано большое количество разнообразных адаптивных алгоритмов и программ. Точное определение понятия "адаптивное управление" будет дано ниже. Эти алгоритмы и программы обеспечивают приспособление (адаптацию) к заранее неизвестным условиям функционирования и поэтому являются неотъемлемой частью искусственного интеллекта - интеллекта вычислительных машин и роботов.

Интересный класс систем искусственного интеллекта - так называемых гироматов - разрабатывается в Вычислительном центре АН СССР под руководством Г. С. Поспелова и Д. А. Поспелова [13, 14]. Сам термин "гиромат" принадлежит польскому писателю-фантасту С. Лему, который в одном из своих романов назвал этим термином системы, изменяющие свою структуру при изменении условий решаемой задачи. Гироматы могут быть реализованы как аппаратурно, так и с помощью программного моделирования на ЭВМ. Все эти системы обладают следующей особенностью: в процессе своего функционирования они, используя собственный опыт и сообразуясь с заложенными в них глобальными целями, строят модель, отражающую особенности решаемой задачи, и дерево подцелей, а затем находят решение задачи при приемлемых временных ограничениях. Гироматы достаточно универсальны и обладают способностью строить модели любых проблемных ситуаций, которые могут быть описаны на их входном языке. Свое практическое воплощение гироматы нашли в методе ситуационного моделирования при управлении большими системами. Реализация принципов гироматов уже помогла эффективно решить различные управленческие задачи (управление пропуском судов на шлюзованном участке канала, управление работой морского порта, управление большой вычислительной системой территориального типа).

Из всего сказанного становится ясно, что современные вычислительные машины и роботы вместе с соответствующим алгоритмическим и программным обеспечением способны решать широкий класс интеллектуальных задач, которые у людей считаются органически связанными с мышлением. Следовательно, такие машины и роботы способны "мыслить" в указанном классе - они интеллектуальны в этом классе.

Читатель может спросить: какова же связь между машинным и человеческим мышлением? Вероятно, очень незначительная. Прежде всего способ, которым пользуются интеллектуальные машины и роботы при решении задач, отличен от того, правда, почти неизученного способа, которым пользуется при решении тех же задач человек. Основная разница между человеческим и машинным мышлением связана, по-видимому (по крайней мере в настоящее время), с фундаментальной способностью человека к формулировке целей и задач как желаемых, предвосхищенных результатов его деятельности, или, по образному выражению советского физиолога П. К. Анохина, к "опережающему отражению действительности". Поскольку сегодня науке еще неизвестно, как работает мозг, копировать человеческое мышление невозможно. Однако в ряде интеллектуальных задач можно и нужно автоматизировать этот процесс. Именно этой цели служит искусственный интеллект вообще и интеллект роботов в частности.