Эти странные новые разумы: Как ИИ научился говорить и что это значит - Кристофер Саммерфилд

Логика первого порядка также известна как «логика предикатов». Предикаты — это термы, которые описывают свойства, функции или отношения, связанные с субъектом язывого выражения. Они встречаются как в естественных языках, на которых говорим мы с вами (например, во французском или суахили), так и в формальных языках, используемых в математике или логике, а также для программирования компьютеров (таких как Python или Fortran). Например, во французском предложении «Turing roule à bicyclette» Turing — это субъект, а оборот «roule à bicyclette» — предикат. В логике предикатов мы могли бы записать то же самое выражение как едет(Тьюринг,велосипед), что формализует отношения между Тьюрингом и его велосипедом в виде функции с двумя входными аргументами: один для наездника, другой для того, на чем едут. Обратите внимание: однажды определив функцию едет(x,y), ее можно использовать для выражения множества различных утверждений, в том числе тех, которые маловероятны в реальной жизни, например едет(Конфуций,страус). Фактически, как и естественные языки, формальные языки обычно допускают рекурсию — возможность вкладывать одни выражения в другие, создавая бесконечное число возможных высказываний. Обозначив выражение едет(Конфуций,страус) как x и вставив его в едет(x,поезд), мы получим рекурсивное выражение едет(едет(Конфуций,страус),поезд). Это можно истолковать так, что великий учитель едет на страусе по всей длине экспресса, следующего из Пекина в Цюйфу — город, где в 551 году до н. э. родился Конфуций.

Подобно тому как новаторские шахматные стратегии строятся на связывании последовательностей простых ходов, объединение логических выражений в цепочки позволяет нам приходить к новым выводам. Чтобы понять, как строятся логические выводы с помощью исчисления предикатов, нам нужно уяснить значение некоторых символов, напоминающих заглавные буквы с опечатками, такие как ∃ и ∀. Допустим, я знаю, что Том — кот, но не знаю, есть ли у него хвост. Я могу использовать другие знания, чтобы сделать вывод, что у Тома на самом деле есть хвост. Выражение ∀(x) кот(x)→имеет_хвост(x) в исчислении предикатов означает: «для всех объектов x, если x — это кот, то у x есть хвост», а выражение кот(Том) означает, что «Том — кот». Таким образом, я могу с уверенностью сделать вывод: кот(Том)→имеет_хвост(Том).

В 1950-х годах два самых смелых первопроходца в области ИИ, Герберт Саймон и Алан Ньюэлл, создали компьютер, который решал задачи на рассуждение на языке программирования, специально предназначенном для реализации исчисления предикатов. Начав с проекта под амбициозным названием «Универсальный решатель задач» (GPS), Ньюэлл и Саймон отталкивались от простой идеи: проблемы решаются путем анализа расхождения между текущим состоянием C и желаемым состоянием D. Если C = D, то задача выполнена — ИИ может расслабиться и идти домой. В противном случае нам нужно предпринять действия, которые приблизят C к D. В основе GPS лежала логическая система, использовавшая эвристики — простые практические правила вычислений, — чтобы разбивать задачу на подзадачи и формулировать планы перехода из C в D.

Рассмотрим классическую задачу о лисах и цыплятах. Три лисы и три цыпленка находятся на одном берегу реки, и цель состоит в том, чтобы безопасно переправить их на другой берег в лодке, вмещающей не более двух существ, при условии, что на одном берегу никогда не должно оставаться больше лис, чем цыплят (иначе последние будут съедены). В статье 1967 года, где рассматривается аналогичный сценарий, описано, как с помощью GPS можно решить эту задачу, проследив длинную цепочку из пятидесяти семи подцелей.[*1] Рассуждение происходило на формальном языке, который авторы вводили в компьютер. Например, запись ЛЕВЫЙ(Ц3,Л1);ПРАВЫЙ(Ц0,Л2,ЛОДКА=ДА) означала бы, что на левом берегу находятся три цыпленка и одна лиса, а на правом — ноль цыплят и две лисы, а также лодка. GPS мог решать и другие классические головоломки, требовавшие пошагового мышления, такие как задача коммивояжера, в которой требуется найти кратчайший путь для посещения набора точек на карте. В конечном итоге Ньюэлл и Саймон надеялись, что GPS удастся применить для решения практических, реальных задач — например, для поиска победного хода на шахматной доске или планирования того, как отвезти детей в школу дождливым утром в понедельник, когда у машины спустило колесо. Но они быстро обнаружили, что GPS способен справляться лишь с относительно простыми задачами, и им так и не удалось перенести его из компьютерной лаборатории в реальный мир — к огромной радости школьников во всем мире.

Тем не менее, идея о том, что разумные машины должны рассуждать на формальном языке об объектах, суждениях и предикатах, укоренилась. Поскольку объектами мышления в этих системах были символы, этот подход стал известен как «символьный ИИ». К 1970-м годам не только компьютеры стали быстрее (хотя по современным меркам они все еще были «неандертальскими» и обычно занимали целую комнату), но и исследователи ИИ разработали передовые языки программирования для реализации логики первого порядка с такими названиями, как PROLOG и LISP. Эти достижения открыли путь к новому, более полезному классу ИИ под названием «экспертные системы», которые использовали символьные рассуждения для решения задач в специализированных областях — таких как диагностика инфекционных заболеваний, интерпретация спектральных данных в органической химии или анализ геологических данных для поиска полезных ископаемых. Экспертные системы состояли из двух частей: базы знаний и механизма логического вывода (напоминающего «хранилище» и «исполнительное устройство» в оригинальном проекте Тьюринга). Чтобы собрать базу знаний, исследователи кропотливо документировали соответствующие объекты и предикаты, такие как опухший(палец_ноги,левый) и головная_боль(сильная,3_дня), и вручную вводили их в память компьютера. Затем механизм вывода использовал метод, называемый «построением цепочек», чтобы вывести следствия из утверждения — например, определить наиболее вероятный диагноз или прогноз на основе симптомов, указанных пользователем.

Хотя это уже гораздо больше напоминает на автоматизированную энциклопедию, о которой изначально мечтал Лейбниц (любит(герцог Ганноверский,колбаски,очень сильно)), в 1970-х годах большинство экспертных систем могли рассуждать лишь об очень узкой области человеческих знаний. Поэтому они были полезны лишь для крайне ограниченного круга задач, таких как диагностика менингита или принятие решения о выдаче ипотечного кредита клиенту с сомнительной кредитной историей. Однако, по крайней мере, ИИ впервые доказал свою реальную пользу для науки, вычислений и бизнеса, и это вдохновило некоторых мыслить масштабно. К 1980-м годам исследователи начали серьезно задумываться над проектом систематической записи буквально всего, что мы знаем обо всем на свете, в форме, подходящей для экспертной системы. В то время возникло несколько подобных проектов, но самый крупный и известный был связан с системой под названием Cyc (сокращенно от «энциклопедия»), создатели которой надеялись каталогизировать в базе знаний весь здравый смысл. Основатель проекта