К каким годам фактически относится начало этапа компьютерной революции, породившего экспертные системы
Обновлено: 21.11.2024
Несмотря на то, что были приложены все усилия для соблюдения правил стиля цитирования, могут быть некоторые расхождения. Если у вас есть какие-либо вопросы, обратитесь к соответствующему руководству по стилю или другим источникам.
Наши редакторы рассмотрят то, что вы отправили, и решат, нужно ли пересматривать статью.
экспертная система, компьютерная программа, использующая методы искусственного интеллекта для решения проблем в специализированной области, которая обычно требует человеческого опыта. Первая экспертная система была разработана в 1965 году Эдвардом Фейгенбаумом и Джошуа Ледербергом из Стэнфордского университета в Калифорнии, США. Dendral, как позже назвали их экспертную систему, была разработана для анализа химических соединений. Экспертные системы теперь находят коммерческое применение в самых разных областях, таких как медицинская диагностика, нефтегазовая инженерия и финансовые инвестиции.
Для достижения очевидного интеллекта экспертная система опирается на два компонента: базу знаний и механизм логического вывода. База знаний — это организованный набор фактов о предметной области системы. Механизм логического вывода интерпретирует и оценивает факты в базе знаний, чтобы дать ответ. Типичные задачи для экспертных систем включают классификацию, диагностику, мониторинг, проектирование, планирование и планирование специализированных мероприятий.
Компьютеры размещают веб-сайты, состоящие из HTML, и отправляют текстовые сообщения так же просто, как. РЖУ НЕ МОГУ. Взломайте этот тест, и пусть какая-нибудь технология подсчитает ваш результат и раскроет вам его содержание.
Факты для базы знаний должны быть получены от экспертов-людей посредством интервью и наблюдений. Затем это знание обычно представляется в виде правил «если-то» (продукционных правил): «Если какое-то условие истинно, то можно сделать следующий вывод (или предпринять какое-то действие)». База знаний крупной экспертной системы включает в себя тысячи правил. Фактор вероятности часто присоединяется к выводу каждого правила производства и окончательной рекомендации, потому что вывод не является определенным. Например, система диагностики глазных заболеваний может указывать на основе предоставленной ей информации 90-процентную вероятность того, что у человека глаукома, а также может перечислять выводы с меньшей вероятностью. Экспертная система может отображать последовательность правил, с помощью которых она пришла к своему заключению; отслеживание этого потока помогает пользователю оценить достоверность его рекомендации и полезно в качестве учебного пособия для учащихся.
Эксперты-люди часто используют эвристические правила, или «эмпирические правила», в дополнение к простым производственным правилам, таким как те, которые взяты из инженерных справочников. Таким образом, кредитный менеджер может знать, что соискатель с плохой кредитной историей, но с чистой репутацией после получения новой работы, может на самом деле быть хорошим кредитным риском. Экспертные системы включают такие эвристические правила и все больше способны учиться на собственном опыте. Экспертные системы остаются помощниками, а не заменой экспертов-людей.
Искусственный интеллект (ИИ) не всегда приносил прибыль. Но технология, которая впервые сделала искусственный интеллект коммерчески успешным, — «экспертная система» — обычно забывается.
До наших современных инструментов на основе ИИ экспертные системы были важным компонентом компьютеризированной автоматизации. Они были новаторской тенденцией; «большая вещь» в технологиях своего времени.
Однако сегодня история экспертных систем отошла от центра внимания. Но это не значит, что эта технология не стала ключевой вехой в развитии технологий искусственного интеллекта.
Поэтому знание истории экспертных систем имеет решающее значение для понимания истории искусственного интеллекта (ИИ). Итак, приступим.
Что такое экспертные системы?
Прежде чем приступить к изучению истории экспертных систем, полезно узнать, что такое экспертные системы.
Экспертные системы — это первый пример «систем, основанных на знаниях». Они работают по правилам и опираются на два компонента: базу знаний и механизм логического вывода.
Давайте разберем эти термины:
-
: организованный набор фактов о мире и/или задаче, для выполнения которой предназначена система. : применяет логические правила к базе знаний для получения новой информации.
Проще говоря, экспертные системы — это системы искусственного интеллекта, которые специализируются на одной задаче. Другими словами, это компьютеризированные системы, выступающие в роли экспертов в определенной области.
До всего
История экспертных систем начинается почти наряду с рассветом современного компьютера в 1940-х годах, когда начали появиться первые цифровые программируемые компьютеры.
Долго до того, как исследователи начали думать о потенциале этих новых машин. Что, если они могут эмулировать принятие человеческих решений? Что если они могут «думать», как делают люди?
И так, что исследователи начали смотреть в искусственный интеллект - и начались на пути к созданию экспертных систем.
Первые экспертные системы
Официально история экспертных систем начинается в 1965 году. Это когда технология увидела свое официальное внедрение проектом по программированию Стэнфорда. Эдвард Фейгенбаум - «Отец экспертных систем» - руководил проектом Инавграла.
Edward Feigenbaum был вовлечен как с мисиным, так и дельменным - два отдельных ранних экспертных систем.
Дендрала была экспертной системой, которая специализируется на анализе и идентификации химических соединений. Широко считается первой экспертной системой.
Мисин был получен из Дендрала. Это была другая экспертная система - одна сосредоточенная на выявлении бактерий, вызвавших инфекции и рекомендации антибиотиков.
Эти системы не пытались быть общими интеллектом. Они не были общими проблемами. Скорее, они сосредоточены на ограниченном (но углубленном) основании знаний. И это сделало их одним из первых успешных попыток программного обеспечения AI. То есть машины, которые казались анализировать и «подумать».
Sumex, компьютер, предназначенный для поощрения применения искусственного интеллекта в медицине. Общественное достояние через Национальную библиотеку медицины
Расцвет экспертных систем пришел в 80-х годах. За это время две трети компаний Fortune 500 использовали экспертные системы.
Интерес к экспертным системам был международный. Они увидели повышенное финансирование исследований в Европе, а также проект компьютерных систем пятого поколения в Японии, в котором говорилось, что исследователи сосредоточены (частично) по технологии и основаниях знаний.
Символическая машина Lisp: ранняя платформа для экспертных систем. Источник
Но экспертные системы не были без их проблем. Были трудности управлять и поддерживать базу знаний. Были трудности, написавшие правила, которые отражают знание экспертов. И шумилизация вокруг экспертных систем была вписшимися быстрее, чем технология может идти в ногу.
Перефразировать общую идиому, шумиха приходит до падения. И это было верно для экспертных систем. Ии зима приходила.
В 1990-х годах И данно история экспертных систем включает снижение популярности и шумиха технологии. Поскольку Tech World увидела зиму AI, волнение вокруг экспертных систем исчезло.
Очевидное снижение экспертных систем в это время имеет две причины за ним.
Первый, просто, это то, что экспертные системы не оправдали до шумиха. Они не могли выполнить функциональность чрезмерно EGGED, которая была обещана. Они не расширились до более общей формы AI достаточно быстро, и поэтому они были отбрасываются.
Другие объяснения состоит в том, что они были поглощены другими технологическими инструментами. Поскольку экспертные системы стали более известными, программисты и разработчики могут использовать технологию позади них как часть других предложений.
Короче говоря, системы на основе правил стали полезными для более чем экспертных систем, и поэтому автономная экспертная система вышла из прожектора.
Вы, вероятно, не услышите много упоминания об экспертных системах в наши дни. Действительно, казалось бы, что в использовании очень мало.
Однако основные инструменты и помещения, которые стебель из экспертных систем прошлого присутствуют в современном программном обеспечении.
Например, подумайте о системах на основе правил, найденных в инструментах автоматизации. Или рассмотрим понимание необходимости данных и знаний в машинном обучении и других современных инструментах AI. Рассмотрим различные типы базы данных для различных типов и форматов данных и знаний.
Дополнения в этих технологиях имеют корни в экспертных системах.
Экспертные системы являются ключевым игроком в истории автоматизации и AI. Хотя они сегодня не в центре внимания, было один раз в то время, когда они были высотой искусственного интеллекта.
Являются ли окружающие нас технологии инструментами, которые мы можем определить, понять и сознательно использовать для улучшения своей жизни? Или это нечто большее: могущественные объекты и факторы, которые влияют на наше восприятие мира, меняют наше поведение и влияют на то, что значит быть человеком? Технологии появляются и влияют на нашу жизнь таким образом, что это указывает на то, что мы находимся в начале четвертой промышленной революции, новой эры, которая создает и расширяет влияние цифровых технологий новыми и неожиданными способами. Поэтому стоит потратить некоторое время на то, чтобы обдумать, какие именно сдвиги мы переживаем и как мы можем, коллективно и индивидуально, обеспечить, чтобы они приносили пользу многим, а не немногим. Когда были другие промышленные революции? Принято считать, что Первая промышленная революция стала переходом от использования животных, человеческих усилий и биомассы в качестве основных источников энергии к использованию ископаемого топлива и механической энергии, которую это позволило. Вторая промышленная революция произошла между концом 19 века и первыми двумя десятилетиями 20 века и принесла крупные прорывы в области распределения электроэнергии, беспроводной и проводной связи, синтеза аммиака и новых форм производства энергии. Третья промышленная революция началась в 1950-х годах с развития цифровых систем, связи и стремительного развития вычислительной мощности, которые позволили использовать новые способы создания, обработки и обмена информацией.
Четвертую промышленную революцию можно охарактеризовать как появление «киберфизических систем», предоставляющих совершенно новые возможности для людей и машин. Хотя эти возможности зависят от технологий и инфраструктуры Третьей промышленной революции, Четвертая промышленная революция представляет собой совершенно новые способы внедрения технологий в общества и даже в наши человеческие тела. Примеры включают редактирование генома, новые формы машинного интеллекта, революционные материалы и подходы к управлению, основанные на криптографических методах, таких как блокчейн. Как сказал писатель Уильям Гибсон: "Будущее уже наступило, просто оно распределено неравномерно". Действительно, во многих частях мира аспекты Второй и Третьей промышленных революций еще предстоит испытать, что осложняется тем фактом, что новые технологии в некоторых случаях способны «перескакивать» через старые. Как указала Организация Объединенных Наций в 2013 году, больше людей в мире имеют доступ к мобильному телефону, чем к элементарным санитарным условиям. Точно так же четвертая промышленная революция начинает зарождаться одновременно с распространением и созреванием третьей, цифровой революции в странах и организациях. Из-за сложности этих технологий и их развивающегося характера многие аспекты Четвертой промышленной революции кажутся незнакомыми и для многих угрожающими. Поэтому мы должны помнить, что все промышленные революции в конечном счете обусловлены индивидуальным и коллективным выбором людей. Важен не только выбор исследователей, изобретателей и дизайнеров, разрабатывающих базовые технологии, но, что еще важнее, выбор инвесторов, потребителей, регулирующих органов и граждан, которые внедряют и применяют эти технологии в повседневной жизни. Четвертая промышленная революция может выглядеть и ощущаться как экзогенная сила с силой цунами, но на самом деле она является отражением наших желаний и выбора. В основе дискуссий о новых технологиях лежит критический и центральный вопрос: что мы хотим, чтобы эти технологии дали нам? Каково потенциальное влияние? В каждом периоде потрясений есть победители и проигравшие. И технологии и системы, вовлеченные в эту последнюю революцию, означают, что отдельные лица и группы могут многое выиграть или проиграть. Как говорит Шваб: «Никогда не было более многообещающего времени или времени большей потенциальной опасности». Хотя тот факт, что мы все еще находимся в начале этой революции, означает, что невозможно узнать точное влияние на разные группы, есть три большие области, вызывающие озабоченность: неравенство, безопасность и идентичность. Согласно отчету Credit Suisse Global Wealth Report за 2015 год, 1 % самых богатых людей в настоящее время владеет половиной всего имущества домохозяйства. В новом отчете Oxfam представлена еще более значительная концентрация активов: 62 человека контролируют больше активов, чем бедные 3,6 миллиард человек вместе взятых, половина населения мира.Это ошеломляющий разрыв, особенно с учетом того, что такие исследователи, как Ричард Уилкинсон и Кейт Пикетт, обнаружили, что неравноправные общества, как правило, более жестокие, имеют большее количество людей в тюрьмах, более высокий уровень психических заболеваний и имеют более низкую продолжительность жизни и более низкий уровень доверие. История показывает, что потребители, как правило, выигрывают от промышленных революций, поскольку стоимость товаров падает, а качество повышается, и, похоже, это справедливо и для последних. И Третья, и Четвертая промышленные революции делают возможными продукты и услуги, которые повышают эффективность и удовольствие от нашей жизни, а также снижают затраты. Организация транспорта, бронирование ресторанов, покупка продуктов и других товаров, осуществление платежей, прослушивание музыки, чтение книг или просмотр фильмов — эти задачи теперь можно выполнять мгновенно, в любое время и практически в любом месте. Как говорит Шваб: «Преимущества технологий для всех нас, кто потребляет, неоспоримы». Но что, если эти преимущества не внесут существенного вклада в широкомасштабный экономический рост? Действительно ли каждый сможет получить доступ к этим инновациям, позволить себе их и пользоваться ими? Важным потенциальным фактором роста неравенства является наша зависимость от цифровых рынков. Как отмечают Эрик Бриньолфссон и Эндрю Макафи в книге «Вторая эра машин», цифровые платформы, подключенные к глобальной сети, как правило, предоставляют слишком большие вознаграждения за небольшое количество «звездных» продуктов и услуг, которые, в свою очередь, могут предоставляться практически с нулевыми предельными затратами. Кроме того, доминирование самих цифровых платформ, учитывая их мощь, влияние и прибыльность, беспокоит многих, в том числе Европейскую комиссию. Исследования показывают, что в 2013 году 14 из 30 ведущих брендов были ориентированными на платформу компаниями. Возможно, наиболее обсуждаемой причиной неравенства является вероятность того, что Четвертая промышленная революция может увеличить безработицу. Все промышленные революции создают и уничтожают рабочие места, но, к сожалению, есть свидетельства того, что новые отрасли создают относительно меньше рабочих мест, чем в прошлом. Согласно расчетам Карла Бенедикта Фрея из Оксфордской программы Мартина по технологиям и занятости, только 0,5% рабочей силы США сегодня занято в отраслях, которых не существовало на рубеже 21-го века, что намного меньше, чем примерно 8,2%. новых рабочих мест, созданных в новых отраслях промышленности в 1980-х годах, и 4,4 % новых рабочих мест, созданных в 1990-х годах. Кроме того, рабочие места, создаваемые в этих отраслях, как правило, требуют более высокого уровня образования и специальной подготовки, а ликвидируемые связаны с физическими или рутинными задачами. В отчете Future of Jobs Report Форума был проведен опрос ведущих руководителей отдела кадров, и представлены доказательства того, что будущие рабочие места будут все чаще требовать комплексного решения проблем, социальных и системных навыков. Завышение требований к навыкам непропорционально затрагивает пожилых людей и людей с низким доходом, а также тех, кто работает в отраслях, наиболее подверженных автоматизации с помощью новых технологий.
Изменения в сфере занятости и навыков также могут усилить гендерное неравенство. Безработица из-за автоматизации в прошлом концентрировалась в секторах, в которых в основном заняты мужчины, таких как производство и строительство. Но возможность использовать искусственный интеллект и другие технологии для автоматизации задач в сфере услуг ставит под угрозу многие другие категории должностей в будущем. К ним относятся рабочие места, которые являются источником средств к существованию для многих молодых работниц и женщин из низшего среднего класса по всему миру, в том числе в колл-центре, в розничной торговле и на административных должностях. Четвертая промышленная революция может повлиять на неравенство как между экономиками, так и внутри них. В частности, растущая гибкость капитала в форме роботов и других передовых производственных систем может подорвать сравнительные преимущества, которыми в настоящее время пользуются многие страны с формирующимся рынком и развивающиеся страны, которые сосредоточены на производстве трудоемких товаров и услуг. Феномен «перешоринга» может иметь особенно негативные последствия для тех наименее развитых стран, которые только начинают индустриализацию по мере их интеграции в глобальную экономику. Достижение расцвета
исчезает до скрытия?
настоящее и будущее
История экспертных систем
Рост неравенства влияет не только на производительность, психическое здоровье и доверие, но и создает проблемы безопасности как для граждан, так и для государств. В опубликованном Форумом Отчете о глобальных рисках за 2016 год подчеркивается, что гиперсвязанный мир в сочетании с растущим неравенством может привести к фрагментации, сегрегации и социальным волнениям. Это сочетание факторов создает условия для насильственного экстремизма и других угроз безопасности, вызванных переходом власти к негосударственным субъектам.
Кроме того, меняется стратегическое пространство для конфликта.Сочетание цифрового мира с новыми технологиями создает новые «поля боя», расширяет доступ к смертоносным технологиям и усложняет управление и переговоры между государствами для обеспечения мира.
Быстрое распространение цифровой инфраструктуры благодаря Третьей промышленной революции означает, что во время Четвертой промышленной революции киберпространство стало таким же стратегическим театром боевых действий, как земля, море и воздух. Как пишет Шваб, «хотя любой будущий конфликт между достаточно продвинутыми акторами может или не может разыграться в физическом мире, он, скорее всего, будет включать в себя киберпространство просто потому, что ни один современный противник не устоит перед искушением разрушить, запутать или уничтожить их датчики противника, средства связи и возможности принятия решений».
Технологии Четвертой промышленной революции также предлагают расширенные возможности ведения войны, которые становятся все более доступными как для государственных, так и для негосударственных субъектов, таких как дроны, автономное оружие, наноматериалы, биологическое и биохимическое оружие, носимые устройства и распределенные источники энергии. .
На переднем крае новых военных технологий находятся те, которые напрямую взаимодействуют с человеческим мозгом, чтобы усиливать солдат или даже управлять ими. Но даже они не ограничиваются государственными военными программами. «Вопрос не в том, будут ли негосударственные субъекты использовать какие-либо нейробиологические методы или технологии, а в том, когда и какие из них они будут использовать», — утверждает Джеймс Джордано из Медицинского центра Джорджтаунского университета. «Мозг — это следующее поле боя».
Такие опасения по поводу безопасности усугубляются еще и тем фактом, что распространение технологий двойного назначения, доступных для более широкого круга участников, значительно затрудняет внедрение международных соглашений и норм в поддержку мирного разрешения конфликтов. Задача безопасности Четвертой промышленной революции будет заключаться в координации большого числа потенциально смертоносных субъектов частного и государственного секторов в различных стратегических и культурных контекстах. Действительно трудная задача.
<р>3. Личность, голос и сообществоПомимо беспокойства по поводу растущего неравенства и угрозы безопасности, Четвертая промышленная революция также затронет нас как отдельных людей и членов сообществ. Уже сейчас цифровые медиа все чаще становятся основным двигателем нашего индивидуального и коллективного формирования общества и сообщества, по-новому связывая людей с отдельными людьми и группами, укрепляя дружеские отношения и создавая новые группы по интересам. Кроме того, такие связи выходят за многие традиционные границы взаимодействия.
К сожалению, расширение возможностей подключения не обязательно ведет к расширению или разнообразию мировоззрения. Парадоксально, но динамика использования социальных сетей может сузить доступные источники новостей. Кроме того, государства и другие субъекты, желающие использовать новые технологии и платформы для ограничения свободы слова и преследования граждан, могут еще больше подорвать противоречивые или направленные против истеблишмента взгляды, как подробно описано в Отчете Форума о глобальных рисках за 2016 год. Важно, чтобы новые технологии четвертой промышленной революции увеличивали разнообразие и потенциал для сотрудничества, а не приводили к поляризации.
Новые технологии, особенно в области биологии, также поднимают новые вопросы о том, что значит быть человеком. Четвертая промышленная революция — это первая промышленная революция, когда инструменты технологий могут буквально встраиваться в нас и даже целенаправленно изменять то, кто мы есть, на уровне нашей генетической структуры. Вполне возможно, что в течение одного поколения будут доступны формы радикального улучшения человека, инновации, которые рискуют создать совершенно новые формы неравенства и классового конфликта.
Мартин Новак, профессор математики и биологии Гарвардского университета, заявил, что сотрудничество — это «единственное, что спасет человечество». Если у нас хватит смелости взять на себя коллективную ответственность за происходящие изменения и способность работать вместе над повышением осведомленности и формированием новых нарративов, мы сможем приступить к реструктуризации наших экономических, социальных и политических систем, чтобы в полной мере использовать преимущества новых технологий.
Сложность технологий, лежащих в основе Четвертой промышленной революции, и широта их влияния требуют, чтобы все группы заинтересованных сторон работали вместе над инновационными подходами к управлению. Как указывает Эндрю Мейнард из Лаборатории инноваций в области риска, мы должны учиться, внедрять и расширять продуманные подходы к работе на стыке технологий и общества, такие как упреждающее управление и ответственные инновации, поддерживая широкомасштабные размышления о разработке, коммерциализации и распространении текущих и новые технологии.
Цель этого размышления, естественно, состоит в том, чтобы гарантировать, что новые технологии и Четвертая промышленная революция улучшат жизнь людей как можно более широким и осмысленным образом.Однако еще больше возможностей может открыться, если заинтересованные стороны по-новому обсудят будущее технологий и общества.
Как пишет Шваб: "Эпоха новых технологий, если она будет формироваться ответственно и ответственно, может стать катализатором нового культурного возрождения, которое позволит нам почувствовать себя частью чего-то гораздо большего, чем мы сами, - настоящей глобальной цивилизации... Мы можем использовать Четвертая промышленная революция поднимет человечество к новому коллективному и моральному сознанию, основанному на общем чувстве судьбы».
Открытие каналов связи между учеными-исследователями и более широким сообществом
Рокуэлл Аньоха
Могут ли машины думать?
В первой половине 20 века научная фантастика познакомила мир с концепцией роботов с искусственным интеллектом. Все началось с «бессердечного» Железного человека из Волшебника страны Оз и продолжилось гуманоидным роботом, который выдавал себя за Марию в Метрополисе. К 1950-м годам у нас было поколение ученых, математиков и философов с концепцией искусственного интеллекта (или ИИ), культурно ассимилированной в их сознании. Одним из таких людей был Алан Тьюринг, молодой британский эрудит, исследовавший математические возможности искусственного интеллекта. Тьюринг предположил, что люди используют доступную информацию, а также разум для решения проблем и принятия решений, так почему же машины не могут делать то же самое? Это была логическая основа его статьи 1950 года «Вычислительные машины и интеллект», в которой он обсуждал, как создавать интеллектуальные машины и как проверять их интеллект.
Как сделать погоню возможной
К сожалению, разговоры дешевы. Что помешало Тьюрингу сразу приступить к работе? Во-первых, компьютеры должны были коренным образом измениться. До 1949 года у компьютеров отсутствовало ключевое условие интеллекта: они не могли хранить команды, а только выполнять их. Другими словами, компьютерам можно было сказать, что делать, но они не могли вспомнить, что они делали. Во-вторых, компьютеры были чрезвычайно дорогими. В начале 1950-х стоимость аренды компьютера достигала 200 000 долларов в месяц. Только престижные университеты и крупные технологические компании могли позволить себе бездельничать в этих неизведанных водах. Чтобы убедить источники финансирования в целесообразности использования искусственного интеллекта, требовалось доказательство концепции, а также поддержка со стороны высокопоставленных лиц.
Конференция, с которой все началось
Пять лет спустя доказательство концепции было инициировано Алленом Ньюэллом, Клиффом Шоу и Гербертом Саймоном, теоретиком логики. Программа The Logic Theorist была разработана для имитации навыков человека в решении проблем и финансировалась корпорацией исследований и разработок (RAND). Многие считают ее первой программой искусственного интеллекта, и она была представлена на Летнем исследовательском проекте по искусственному интеллекту в Дартмуте (DSRPAI), организованном Джоном Маккарти и Марвином Мински в 1956 году. На этой исторической конференции Маккарти, представляя большие совместные усилия, собрал лучших исследователей из разных областей для открытого обсуждения искусственного интеллекта — термина, который он придумал на самом мероприятии. К сожалению, конференция не оправдала ожиданий Маккарти; люди приходили и уходили, когда им заблагорассудится, и не удалось договориться о стандартных методах для этой области. Несмотря на это, все искренне согласились с тем, что ИИ достижим. Нельзя недооценивать значение этого события, поскольку оно стало катализатором следующих двадцати лет исследований ИИ.
Американские горки успеха и неудач
С 1957 по 1974 год ИИ процветал. Компьютеры могли хранить больше информации и стали быстрее, дешевле и доступнее. Алгоритмы машинного обучения также улучшились, и люди стали лучше понимать, какой алгоритм применить к своей проблеме. Ранние демонстрации, такие как General Problem Solver Ньюэлла и Саймона и ELIZA Джозефа Вейценбаума, показали многообещающие решения задач и интерпретацию разговорной речи соответственно. Эти успехи, а также поддержка ведущих исследователей (а именно участников DSRPAI) убедили государственные учреждения, такие как Агентство перспективных оборонных исследовательских проектов (DARPA), финансировать исследования ИИ в нескольких учреждениях. Правительство особенно интересовалось машиной, которая могла бы расшифровывать и переводить разговорную речь, а также обрабатывать данные с высокой пропускной способностью. Оптимизма было много, а ожидания еще выше. В 1970 году Марвин Мински сказал журналу Life: «От трех до восьми лет у нас будет машина с общим интеллектом среднего человека."Однако, хотя базовое доказательство принципа было готово, до достижения конечных целей обработки естественного языка, абстрактного мышления и самопознания оставалось еще далеко.
Преодолевая первоначальный туман ИИ, мы обнаружили гору препятствий. Самым большим было отсутствие вычислительной мощности, чтобы сделать что-то существенное: компьютеры просто не могли хранить достаточно информации или обрабатывать ее достаточно быстро. Например, чтобы общаться, нужно знать значения многих слов и понимать их во многих сочетаниях. Ганс Моравек, докторант Маккарти в то время, заявил, что «компьютеры все еще в миллионы раз слишком слабы, чтобы проявлять интеллект». По мере того, как терпение истощалось, сокращалось и финансирование, и исследования медленно продвигались в течение десяти лет.
В 1980-х годах ИИ был возрожден двумя источниками: расширением набора алгоритмических инструментов и увеличением финансирования. Джон Хопфилд и Дэвид Румельхарт популяризировали методы «глубокого обучения», которые позволяли компьютерам учиться, используя опыт. С другой стороны, Эдвард Фейгенбаум представил экспертные системы, которые имитировали процесс принятия решений человеком-экспертом. Программа спрашивала эксперта в какой-либо области, как реагировать в той или иной ситуации, и как только это узнавалось практически для каждой ситуации, неспециалисты могли получать советы от этой программы. Экспертные системы получили широкое распространение в промышленности. Японское правительство активно финансировало экспертные системы и другие проекты, связанные с ИИ, в рамках своего компьютерного проекта пятого поколения (FGCP). В период с 1982 по 1990 год они инвестировали 400 миллионов долларов с целью революционизировать компьютерную обработку, внедрить логическое программирование и улучшить искусственный интеллект. К сожалению, большая часть амбициозных целей не была достигнута. Однако можно утверждать, что косвенные эффекты FGCP вдохновили талантливое молодое поколение инженеров и ученых. Несмотря на это, финансирование FGCP прекратилось, и ИИ выпал из поля зрения.
По иронии судьбы, в отсутствие государственного финансирования и общественной шумихи искусственный интеллект процветал. В течение 1990-х и 2000-х годов были достигнуты многие из важнейших целей искусственного интеллекта. В 1997 году действующий чемпион мира по шахматам и гроссмейстер Гэри Каспаров потерпел поражение от IBM Deep Blue, компьютерной программы для игры в шахматы. Этот широко разрекламированный матч был первым, когда действующий чемпион мира по шахматам проиграл компьютеру, и послужил огромным шагом на пути к программе принятия решений с искусственным интеллектом. В том же году программное обеспечение для распознавания речи, разработанное Dragon Systems, было внедрено в Windows. Это был еще один большой шаг вперед, но в направлении устной интерпретации языка. Казалось, что нет такой проблемы, с которой не могли бы справиться машины. Даже человеческие эмоции были честной игрой, о чем свидетельствует Kismet, робот, разработанный Синтией Бризил, который может распознавать и отображать эмоции.
Время лечит все раны
Мы так и не научились программировать искусственный интеллект, так что же изменилось? Оказывается, фундаментальный предел компьютерной памяти, который сдерживал нас 30 лет назад, больше не был проблемой. Закон Мура, согласно которому память и скорость компьютеров удваиваются каждый год, наконец-то догнал, а во многих случаях и превзошел наши потребности. Именно так Deep Blue удалось победить Гэри Каспарова в 1997 году, а Alpha Go от Google удалось победить чемпиона Китая по го Ке Цзе всего несколько месяцев назад. Это дает некоторое объяснение американским горкам исследований ИИ; мы доводим возможности ИИ до уровня нашей текущей вычислительной мощности (компьютерного хранилища и скорости обработки), а затем ждем, пока закон Мура снова не сработает.
Искусственный интеллект повсюду
Сейчас мы живем в эпоху «больших данных», в эпоху, когда у нас есть возможность собирать огромные объемы информации, слишком громоздкой для обработки человеком. Применение искусственного интеллекта в этом отношении уже было весьма плодотворным в нескольких отраслях, таких как технологии, банковское дело, маркетинг и развлечения. Мы видели, что даже если алгоритмы не сильно улучшаются, большие данные и массовые вычисления просто позволяют искусственному интеллекту учиться с помощью грубой силы. Могут быть свидетельства того, что закон Мура немного замедляется, но увеличение количества данных, безусловно, не утратило своей динамики. Прорывы в области компьютерных наук, математики или нейронауки — все это потенциальные выходы за пределы потолка закона Мура.
Будущее
Итак, что нас ждет в будущем? В ближайшем будущем язык ИИ выглядит как следующая большая вещь. На самом деле, это уже происходит.Я не могу вспомнить, когда в последний раз звонил в компанию и напрямую разговаривал с человеком. В эти дни машины даже зовут меня! Можно представить себе взаимодействие с экспертной системой в плавном диалоге или разговор на двух разных языках, который переводится в режиме реального времени. Мы также можем ожидать появления беспилотных автомобилей на дорогах в ближайшие двадцать лет (и это консервативно). В долгосрочной перспективе целью является общий интеллект, то есть машина, превосходящая человеческие когнитивные способности во всех задачах. Это похоже на разумного робота, которого мы привыкли видеть в кино. Мне кажется невероятным, что это будет достигнуто в ближайшие 50 лет. Даже если есть возможность, этические вопросы послужат сильным барьером на пути к осуществлению. Когда это время придет (но лучше даже до того, как оно придет), нам нужно будет серьезно поговорить о политике и этике машин (по иронии судьбы, оба эти предмета являются человеческими), но пока мы позволим ИИ неуклонно совершенствоваться и выходить из-под контроля. в обществе.
Роквелл Аньоха — аспирант кафедры молекулярной биологии с опытом работы в области физики и генетики. Его текущий проект использует машинное обучение для моделирования поведения животных. В свободное время Роквелл любит играть в футбол и обсуждать мирские темы.
Компьютер с обманчивой простотой можно описать как «устройство, автоматически выполняющее рутинные вычисления». Такое определение обязано своей обманчивостью наивному и узкому взгляду на расчет как на строго математический процесс. На самом деле вычисления лежат в основе многих действий, которые обычно не считаются математическими. Ходьба по комнате, например, требует многих сложных, хотя и подсознательных вычислений. Компьютеры также доказали свою способность решать широкий спектр задач, от балансировки чековой книжки до даже — в виде систем управления для роботов — передвижения по комнате.
Поэтому, прежде чем можно было реализовать истинную мощь вычислений, необходимо было преодолеть наивный взгляд на вычисления. Изобретатели, трудившиеся над созданием компьютера, должны были понять, что вещь, которую они изобретали, была не просто машиной для обработки чисел, не просто калькулятором. Например, они должны были узнать, что нет необходимости изобретать новый компьютер для каждого нового расчета и что компьютер может быть разработан для решения множества задач, даже таких, которые еще не представлялись, когда компьютер был построен. Они также должны были научиться сообщать такому универсальному компьютеру, решающему задачи, какую задачу решать. Другими словами, им пришлось изобрести программирование.
Они должны были решить все головокружительные проблемы разработки такого устройства, реализации дизайна и фактического создания устройства. История решения этих задач есть история ЭВМ. Эта история описана в этом разделе, и даны ссылки на записи о многих упомянутых лицах и компаниях. Кроме того, см. статьи о компьютерных науках и суперкомпьютерах.
Ранняя история
Предшественники компьютеров
Счеты
Возможно, самым ранним известным счетным устройством являются счеты. Он восходит как минимум к 1100 г. до н.э. и используется до сих пор, особенно в Азии. Сейчас, как и тогда, он обычно представляет собой прямоугольную рамку с тонкими параллельными стержнями, нанизанными на бусины. Задолго до того, как для записи чисел была принята какая-либо систематическая позиционная запись, счеты присваивали каждому стержню разные единицы измерения или веса. Эта схема позволяла представлять широкий диапазон чисел всего несколькими бусинами и, вместе с изобретением нуля в Индии, возможно, вдохновила на изобретение индийско-арабской системы счисления. В любом случае с помощью счетов можно легко манипулировать для выполнения обычных арифметических операций — сложения, вычитания, умножения и деления, — которые полезны в коммерческих операциях и в бухгалтерии.
Счеты — это цифровое устройство; то есть он представляет значения дискретно. Бусинка находится либо в одном предопределенном положении, либо в другом, однозначно представляя, скажем, единицу или ноль.
Аналоговые калькуляторы: от логарифмов Непера к логарифмической линейке
Вычислительные устройства приняли другой оборот, когда Джон Нейпир, шотландский математик, опубликовал свое открытие логарифмов в 1614 году. Любой человек может подтвердить, что сложение двух десятизначных чисел намного проще, чем их умножение, а преобразование задача умножения в задачу сложения — это именно то, что позволяют логарифмы. Это упрощение возможно благодаря следующему логарифмическому свойству: логарифм произведения двух чисел равен сумме логарифмов чисел. К 1624 году были доступны таблицы с 14 значащими цифрами для логарифмов чисел от 1 до 20 000, и ученые быстро освоили новый инструмент, позволяющий экономить труд и выполнять утомительные астрономические расчеты.
Что наиболее важно для развития вычислительной техники, преобразование умножения в сложение значительно упростило возможности механизации. Вскоре появились аналоговые вычислительные устройства, основанные на логарифмах Непера, представляющих цифровые значения с аналогичными физическими длинами. В 1620 году Эдмунд Гюнтер, английский математик, придумавший термины косинус и котангенс, построил прибор для выполнения навигационных вычислений: шкалу Гюнтера, или, как ее называли мореплаватели, гантер. Около 1632 года английский священник и математик по имени Уильям Отред построил первую логарифмическую линейку, опираясь на идеи Непера. Эта первая логарифмическая линейка была круглой, но Отред также построил первую прямоугольную линейку в 1633 году. Аналоговые устройства Гюнтера и Отреда имели различные преимущества и недостатки по сравнению с цифровыми устройствами, такими как счеты. Важно то, что последствия этих дизайнерских решений проверялись в реальном мире.
Цифровые калькуляторы: от часов-счетчиков до арифмометра
В 1623 году немецкий астроном и математик Вильгельм Шикард построил первый калькулятор. Он описал это в письме своему другу, астроному Иоганну Кеплеру, а в 1624 году он снова написал, чтобы объяснить, что машина, которую он заказал для Кеплера, была, по-видимому, вместе с прототипом, уничтожена в огне. Он назвал это Счетными часами, что современные инженеры смогли воспроизвести по деталям в его письмах. Даже общее представление о часах было временно утрачено, когда Шикард и вся его семья погибли во время Тридцатилетней войны.
Репродукция счетных часов Вильгельма Шикарда. Устройство могло складывать и вычитать шестизначные числа (с звонком для семизначных переполнений) с помощью шести взаимосвязанных шестерен, каждая из которых поворачивалась на одну десятую оборота за каждый полный оборот шестерни вправо. Таким образом, 10 оборотов любой шестерни вызовут «перенос» одной цифры на следующей передаче и изменят соответствующий дисплей.
Но, возможно, Шикард не был истинным изобретателем калькулятора. Столетием ранее Леонардо да Винчи набросал планы калькулятора, которые были достаточно полными и правильными, чтобы современные инженеры могли построить на их основе калькулятор.
Первым калькулятором или арифмометром, произведенным в любом количестве и фактически использовавшимся, была Паскалина, или арифметическая машина, разработанная и построенная французским математиком и философом Блезом Паскалем между 1642 и 1644 годами. Она могла только складывать и вычитать, с числами, вводящимися, манипулируя его циферблатами. Паскаль изобрел машину для своего отца, сборщика налогов, так что это была и первая бизнес-машина (если не считать счеты). Он построил 50 из них в течение следующих 10 лет.
Арифметическая машина, или Паскалин, французский денежный (недесятичный) калькулятор, разработанный Блезом Паскалем c. 1642. Числа можно было складывать, поворачивая колеса (расположенные вдоль нижней части машины) по часовой стрелке, и вычитать, поворачивая колеса против часовой стрелки. Каждая цифра в ответе отображалась в отдельном окошке, видимом вверху фотографии.
В 1671 году немецкий математик и философ Готфрид Вильгельм фон Лейбниц сконструировал вычислительную машину, названную счетчиком шагов. (Впервые он был построен в 1673 году.) Счетчик шагов расширил идеи Паскаля и выполнял умножение путем многократного сложения и сдвига.
Репродукция картины Готфрида Вильгельма фон Лейбница «Счетчик шагов» с оригинала, хранящегося в музее Тринкса Брунсвига в Ганновере, Германия. Поворот рукоятки (слева) приводил во вращение несколько барабанов, каждый из которых вращал шестерню, соединенную с цифровым счетчиком.
Лейбниц был активным сторонником двоичной системы счисления. Двоичные числа идеально подходят для машин, поскольку для них требуется всего две цифры, которые можно легко представить включенным и выключенным состояниями переключателя. Когда компьютеры стали электронными, двоичная система стала особенно подходящей, потому что электрическая цепь либо включена, либо выключена. Это означало, что on может означать true, off — false, а поток current — напрямую представлять поток логики.
Лейбниц предвидел целесообразность использования двоичной системы в вычислительных машинах, но его машина не использовала ее.Вместо этого счетчик шагов представлял числа в десятичной форме в виде позиций на 10-позиционных циферблатах. Даже десятичное представление не было данностью: в 1668 году Сэмюэл Морланд изобрел арифмометр, предназначенный для британских денег, — явно недесятичная система.
Устройства Паскаля, Лейбница и Морланда были редкостью, но с промышленной революцией 18 века возникла широко распространенная потребность в эффективном выполнении повторяющихся операций. Если другие виды деятельности механизированы, то почему не расчет? В 1820 году Шарль Ксавье Тома де Кольмар из Франции успешно справился с этой задачей, когда построил свой арифмометр, первое коммерческое вычислительное устройство массового производства. Он мог выполнять сложение, вычитание, умножение и, при более сложном участии пользователя, деление. Основанный на технологии Лейбница, он был чрезвычайно популярен и продавался в течение 90 лет. В отличие от современного калькулятора размером с кредитную карту, арифмометр был достаточно большим, чтобы покрыть рабочий стол.
Жаккардовый станок
Калькуляторы, такие как арифмометр, оставались популярными и после 1820 года, и их потенциал для коммерческого использования был хорошо изучен. Многие другие механические устройства, построенные в 19 веке, также выполняли повторяющиеся функции более или менее автоматически, но лишь немногие из них имели какое-либо применение в вычислительной технике. Было одно важное исключение: жаккардовый ткацкий станок, изобретенный в 1804–1805 годах французским ткачом Жозефом-Мари Жаккаром.
Жаккардовый ткацкий станок был чудом промышленной революции. Текстильный ткацкий станок, его также можно назвать первым практическим устройством обработки информации. Ткацкий станок работал, вытягивая разноцветные нити в узоры с помощью набора стержней. Вставив перфорированную карту, оператор мог управлять движением стержней и тем самым изменять рисунок плетения. Кроме того, ткацкий станок был оборудован устройством для считывания карт, которое вставляло новую карту из предварительно перфорированной колоды на место каждый раз, когда бросали челнок, что позволяло автоматизировать сложные узоры ткачества.
Жаккардовый ткацкий станок, гравюра, 1874 г. В верхней части станка находится стопка перфокарт, которые будут подаваться в ткацкий станок для контроля рисунка ткачества. Этот метод автоматического выдачи машинных инструкций использовался компьютерами еще в 20 веке.
Необычным в этом устройстве было то, что оно перенесло процесс проектирования с этапа трудоемкого ткачества на этап штамповки карт. После того, как карты были перфорированы и собраны, дизайн был готов, и ткацкий станок автоматически реализовал дизайн. Таким образом, можно сказать, что жаккардовый ткацкий станок запрограммирован на различные узоры с помощью этих колод перфокарт.
Тем, кто хочет механизировать вычисления, ткацкий станок Жаккарда дал важные уроки: последовательность операций, выполняемых машиной, можно контролировать, чтобы заставить машину делать что-то совершенно другое; перфокарта могла использоваться как средство управления машиной; и, что наиболее важно, устройство можно было направить на выполнение различных задач, передав ему инструкции на своего рода языке, т. е. сделав машину программируемой.
Не будет большим преувеличением сказать, что на жаккардовом станке программирование было изобретено раньше, чем компьютер. Тесная связь между устройством и программой стала очевидной спустя 20 лет, когда Чарльз Бэббидж изобрел первый компьютер.
Читайте также: