История искусственного интеллекта от античной философии до GPT

Как и в любом историческом очерке, поневоле приходится ограничиваться описанием небольшого круга людей, событий и открытий, игнорируя все остальные факты, которые были не менее важными. Этот исторический экскурс вокруг ограниченного круга вопросов.

история искусственного интеллекта (ИИ) охватывает более полувека, начиная с ранних концепций и теоретических разработок до современных технологий машинного обучения и нейросетей.

1. Ранние идеи и теоретические основы(период с 428 года до н.э. по 1950-х годов)

• Могут ли использоваться формальные правила для вывода правильных заключений?
• Как такой идеальный объект, как мысль, рождается в таком физическом объекте, как мозг?
• Каково происхождение знаний?
• Каким образом знания ведут к действиям?

• Античные представления о разумных машинах: Идея создания искусственного разума или механического существа имеет глубокие корни в мифах и легендах, таких как Голиаф в Библии и Гераклес в греческой мифологии.
• Механические автоматы: В XVII–XVIII веках создавались механические устройства, такие как автоматы Жака де Вокансона и "Турок" Вольфганга фон Кемпелена, которые, хотя и не обладали настоящим разумом, демонстрировали интерес к искусственному интеллекту и автоматизации.
• Начало информатики: Работы Алана Тьюринга и Джона фон Неймана в середине XX века заложили основы вычислительной техники. В 1936 году Тьюринг разработал теоретическую модель вычислительной машины (Тьюрингова машина), которая стала основой для создания компьютеров.

Аристотель

Точный свод законов, руководящих рациональной частью мышления, был впервые сформулирован Аристотелем 384—322 годы до н.э.). Он разработал неформализованную систему силлогизмов, предназначенную для проведения правильных рассуждений, которая позволяла любому вырабатывать логические заключения механически, при наличии начальных предпосылок.

Гораздо позднее Раймунд Луллий (умер в 1315 году) выдвинул идею, что полезные рассуждения можно фактически проводить с помощью механического артефакта.

Раймунд Луллий

Томас Гоббс (1588-1679) предположил, что рассуждения аналогичны числовым расчетам и что «в наших неслышимых мыслях мы поневоле складываем и вычитаем». В то время автоматизация самих вычислений уже шла полным ходом; примерно в 1500 году Леонардо да Винчи (1452—1519) спроектировал, но не построил механический калькулятор; недавно проведенная реконструкция показала, что его проект является работоспособным.

Томас Гоббс

Первая известная вычислительная машина была создана примерно в 1623 году немецким ученым Вильгельмом Шиккардом (1592-1635), хотя более известна машина Паскалина, построенная в 1642 годуБлезом Паскалем (1623—1662). Паскаль писал, что «арифметическая машина производит эффект, который кажется более близким к мышлению по сравнению с любыми действиями животных».

Готтфрид Вильгельм Лейбниц (1646-1716) создал механическое устройство, предназначенное для выполнения операций над понятиями, а не над числами, но область его действия была довольно ограниченной.

После того как человечество осознало, каким должен быть набор правил, способных описать формальную, рациональную часть мышления, следующим этапом оказалось то, что разум стал рассматриваться как физическая система.

Леонардо да Винчи

Рене Декарт (1596-1650) впервые опубликовал результаты обсуждения различий между разумом и материей, а также возникающих при этом проблем. Одна из проблем, связанных с чисто физическими представлениями о разуме, состоит в том, что они, по-видимому, почти не оставляют места для свободной воли: ведь если разум руководствуется исключительно физическими законами, то человек проявляет не больше свободной воли по сравнению с булыжником, «решившим» упасть в направлении к центру земли.

Несмотря на то что Декарт был убежденным сторонником взглядов, признающих только власть разума, он был также приверженцем дуализма. Декарт считал, что существует такая часть человеческого разума (душа, или дух), которая находится за пределами естества и не подчиняется физическим законам.

Вильгельм Шиккард

С другой стороны, животные не обладают таким дуалистическим свойством, поэтому их можно рассматривать как своего рода машины. Альтернативой дуализму является материализм, согласно которому разумное поведение складывается из операций, выполняемых мозгом в соответствии с законами физики. Свободная воля — это просто форма, в которую в процессе выбора преобразуется восприятие доступных вариантов.

Если предположить, что знаниями манипулирует физический разум, то возникает следующая проблема — установить источник знаний. Такое научное направление, как эмпиризм, родоначальником которого был Фрэнсис Бекон (1561-1626), автор Нового Органона, можно охарактеризовать высказыванием Джона Локка(1632—1704): «В человеческом понимании нет ничего, что не проявлялось бы прежде всего в ощущениях».

Рене Декарт

Дэвид Юм (1711 — 1776) в своей книге A Treatise of Human Nature (Трактат о человеческой природе) предложил метод, известный теперь под названием принципа индукции, который состоит в том, что общие правила вырабатываются путем изучения повторяющихся ассоциаций между элементами, которые рассматриваются в этих правилах. Основываясь на работе Людвига Виттгенштейна (1889—1951) и Бертрана Рассела (1872—1970), знаменитый Венский кружок, возглавляемый Рудольфом Карнапом (1891-1970), разработал доктрину логического позитивизма. Согласно этой доктрине все знания могут быть охарактеризованы с помощью логических теорий, связанных в конечном итоге с констатирующими предложениями, которые соответствуют входным сенсорным данным.

В теории подтверждения Рудольфа Карнапа и Карла Хемпеля (1905—1997) предпринята попытка понять, как знания могут быть приобретены из опыта. В книге Карнапа The Logical Structure of the World определена явно заданная вычислительная процедура для извлечения знаний из результатов элементарных опытов. По-видимому, это —- первая теория мышления как вычислительного процесса.

Заключительным элементом в этой картине философских исследований проблемы разума является связь между знаниями и действиями. Данный вопрос для искусственного интеллекта является жизненно важным, поскольку интеллектуальность требует не только размышлений, но и действий. Кроме того, только поняв способы обоснования действий, можно понять, как создать агента, действия которого будут обоснованными (или рациональными).

Аристотель утверждал, что действия обоснованы логической связью между целями и знаниями о результатах данного конкретного действия. Алгоритм Аристотеля был реализован через 2300 лет Ньюэллом и Саймоном в программе GPS. Теперь то, что создано на его базе, принято называть регрессивной системой планирования.

Анализ на основе цели является полезным, но не дает ответа на то, что делать, если к цели ведет несколько вариантов действий или ни один вариант действий не позволяет достичь ее полностью. Антуан Арно (1612—1694) правильно описал количественную формулу для принятия решения о том, какое действие следует предпринять в подобных случаях.

В книге Utilitarianism приверженца утилитаризма Джона Стюарта Милла (1806—1873) провозглашена идея о том, что критерии принятия рациональных решений должны применяться во всех сферах человеческой деятельности.

2. Зарождение ИИ как науки (1950-е годы)

• Тест Тьюринга (1950): В своей работе "Вычислительные машины и разум" Алан Тьюринг предложил тест, способный определить, обладает ли машина интеллектом. Тест Тьюринга стал одним из первых критериев оценки искусственного интеллекта.
• Дартмутская конференция (1956): Именно здесь зародился термин "искусственный интеллект". Американские исследователи, включая Джона Маккарти, Марвина Мински, Натана Рочестера и Клода Шеннона, собрались на Дартмутской конференции для обсуждения перспектив создания машин, способных думать. Эта встреча считается началом науки об ИИ.
• Первое программирование ИИ: В 1951 году Кристофер Стрэчи разработал одну из первых программ, способных играть в шашки, а Алан Ньюэлл и Герберт Саймон создали "Логический теоретик" — программу, которая могла доказывать математические теоремы.

3. Оптимизм и первые успехи (1950–1960-е годы)

• Ранние программы и модели: В этот период были созданы программы для решения задач и доказательства теорем. Появились первые языки программирования для ИИ, такие как LISP, разработанный Джоном Маккарти.
• Система ELIZA: Джозеф Вейценбаум в 1966 году создал систему ELIZA, которая симулировала диалог с человеком. Хотя она имела ограниченные возможности, ELIZA показала потенциал взаимодействия человека и машины.
• Экспертные системы: В 1960-х годах начали развиваться экспертные системы, которые имитировали принятие решений профессионалами в узких областях, таких как медицина и юриспруденция.

4. Период "зимы ИИ" (1970–1980-е годы)

• Разочарование и недостаток финансирования: В 1970-х годах произошел спад в интересе к ИИ. Оказалось, что многие задачи требуют гораздо большего объема вычислений и данных, чем могли предоставить тогдашние технологии. Прогресс оказался медленнее, чем ожидалось, и инвесторы потеряли интерес.
• Критика и скептицизм: Многочисленные ограничения ИИ привели к сокращению финансирования и меньшему количеству исследований. Период конца 1970-х — начала 1980-х годов называют первой "зимой ИИ".
• Новые подходы к обучению: Несмотря на трудности, некоторые направления исследований продолжались, например, работы по машинному обучению и созданию нейронных сетей, хотя практическое применение этих идей было ограниченным.

5. Возрождение ИИ и экспертные системы (1980-е годы)

• Экспертные системы: В начале 1980-х годов началась новая волна интереса к ИИ благодаря разработке экспертных систем, которые помогали в сложных задачах, например, в диагностике заболеваний и прогнозировании.
• Коммерческое применение: Экспертные системы стали применяться в бизнесе и промышленности, что привлекло инвестиции. Однако они были узко специализированными и не обладали способностью к обучению.
• Возвращение интереса к нейронным сетям: Появление новых алгоритмов обучения, таких как метод обратного распространения ошибки, вдохнуло жизнь в исследования нейронных сетей.

6. Новая "зима ИИ" и возрождение (1990-е годы)

• Переоценка возможностей: После неудач в коммерциализации экспертных систем началась новая "зима ИИ". Однако исследования в области машинного обучения и анализа данных продолжались.
• Прорывы в играх и новых областях: В 1997 году ИИ-компьютер Deep Blue от IBM обыграл чемпиона мира по шахматам Гарри Каспарова. Этот успех показал, что ИИ способен решать задачи, требующие сложного анализа.

7. Эра больших данных и нейронных сетей (2000-е годы — наши дни)

• Машинное обучение и большие данные: С распространением интернета и развитием вычислительных мощностей началась новая эра ИИ. Важнейшие достижения стали возможны благодаря большим данным и усовершенствованию алгоритмов машинного обучения.
• Глубокое обучение (Deep Learning): В начале 2010-х годов произошел прорыв в глубоком обучении (deep learning), которое позволило создавать более мощные и эффективные нейронные сети. Современные ИИ-системы на основе глубокого обучения достигли значительных успехов в распознавании изображений, речи и анализе текстов.
• Успехи в различных приложениях: Примеры успешных приложений ИИ включают голосовые помощники (например, Siri, Alexa), беспилотные автомобили, системы рекомендаций (например, Netflix, YouTube), медицинскую диагностику и робототехнику.
• AlphaGo и сложные задачи: В 2016 году программа AlphaGo компании DeepMind победила чемпиона мира по го, что считалось одним из самых сложных вызовов для ИИ из-за огромного количества возможных ходов. Этот успех стал символом новых возможностей ИИ.

8. Современные проблемы и перспективы (с 2020-х годов)

• Этика и безопасность: С развитием ИИ возникают новые вопросы этики, прозрачности и безопасности. Системы ИИ могут влиять на личные данные, принимать решения в сложных моральных ситуациях и даже использоваться в военных целях.
• Общий ИИ и суперинтеллект: Разработчики стремятся к созданию сильного ИИ — системы, способной решать задачи на уровне человеческого интеллекта. Этот вид ИИ пока не существует, и создание подобных систем ставит вопросы о контроле и безопасности.
• Автономные системы и регулирование: Современные ИИ-системы применяются в беспилотных автомобилях, медицине и других важных сферах, что требует регулирования и тщательного подхода к безопасности.
• Появление генеративных языковых моделей (GPT): В последние годы технологии генеративного ИИ, такие как GPT (Generative Pre-trained Transformer) от OpenAI, стали революцией в обработке естественного языка. Эти модели, обученные на огромных объемах текстовых данных, могут понимать и генерировать тексты, вести диалог с пользователями, переводить языки, создавать креативные тексты и даже код. Они используются в различных областях, таких как образование, обслуживание клиентов, творчество, а также в задачах поиска и анализа информации.
  • Этические вызовы и ответственность: Модели типа GPT обладают широкими возможностями, что ставит вопросы об ответственности, особенно если они используются для создания дезинформации или другой вредоносной деятельности. Из-за своей способности генерировать текст на основе запросов они могут, например, непреднамеренно распространить предвзятость или поддержать нежелательные нарративы. Это требует мер регулирования, повышенного внимания к прозрачности и усилий по повышению безопасности ИИ.
  • Вопросы контроля и взаимодействия: Одной из важных задач является поддержание контроля над тем, как языковые модели применяются, и создание возможностей для более эффективного взаимодействия между людьми и ИИ. Такие модели уже сейчас способны выполнять многие интеллектуальные задачи, что делает их потенциальными кандидатами для частичного перехода к сильному ИИ.
  • Возможности для персонализации и автоматизации: Модели GPT и аналогичные технологии находят применение в персонализированных системах рекомендаций, создании диалоговых ИИ, поддерживающих различные виды обслуживания, а также в автоматизации творческих процессов, таких как написание статей, сценариев, стихов и других текстов.

• Таким образом, появление языковых моделей типа GPT стало одним из важнейших достижений в ИИ за последнее десятилетие. Эти модели, наряду с развитием других технологий ИИ, продолжают изменять представления о возможностях искусственного интеллекта и создавать новые перспективы и вызовы.

История ИИ — это путь от теоретических идей к реальным достижениям. Современные ИИ-системы способны на многое, но до создания полноценного искусственного разума еще предстоит пройти немало этапов.

Ответы на вопросы для самопроверки пишите в комментариях, мы проверим, или же задавайте свой вопрос по данной теме.