podstawy metodologiczne

Definicja

Sztuczna Inteligencja jest dziedziną wiedzy, która postawiła sobie za cel i przedmiot badań maszyny, które potrafiłyby rozwiązywać zadania, przy rozwiązywaniu których człowiek korzysta ze swojej inteligencji. Zadaniami takimi mogą być na przykład rozumowanie czy podejmowanie decyzji. Przy czym:

dziedzina ta odgrywa olbrzymią rolę przy zrozumieniu tego, jak mając do czynienia z takim zadaniami funkcjonuje ludzki mózg (na niższym poziomie) i umysł (na poziomie wyższym), a przez to niejednokrotnie jest zależna od innych dziedzin takich, jak chociażby:

• logika [matematyczna],

• informatyka,

• nauki o mózgu.

 

Silna vs słaba wersja SI

Sami badacze AI dzielą się na dwa obozy, wedle propozycji i charakterystyki zaproponowanej przez Johna Searle’a:

• silna Sztuczna Inteligencja (strong AI),

• słaba Sztuczna Inteligencja (weak AI).

"Żeby dobrać dla potrzeb polskiej terminologii słowa, które będą coś mówiły na temat treści wchodzących w grę pojęć, proponuję jako nazwę dla wyznawców strong AI termin algorytmiści. Niech oznacza on rzeczników poglądu, że klasa problemów stojących przed nauką i rozwiązywalnych metodami naukowymi pokrywa się z klasą problemów rozstrzygalnych algorytmicznie, czyli rozwiązywalnych dla maszyny Turinga." [W. Marciszewski, Co sądziłby Leibniz o sztucznej inteligencji gdyby znał Cantora i Turinga?].

Zaś "Przeciwników algorytmizmu można określić mianem umiarkowanych intuicjonistów. Potrzebny jest tu przymiotnik w rodzaju „umiarkowani”, gdyż autorzy, których tak byśmy nazwali nie negują jej wyłączności. W tym kontekście termin „intuicja” oznacza tyle, co rodzaj poznania w pełni wiarygodny, lecz nie czerpiący tej wiarygodności z procedur algorytmicznych." [Tamże].

 

Klasyfikacja Rogera Penrose'a

Takiemu zestawieniu hołduje również inny znawca problematyki, Roger Penrose, wprowadzając odpowiednio podział na następujące stanowiska:

1. Myślenie zawsze polega na obliczeniach, a w szczególności świadome doznania powstają wskutek realizacji odpowiedniego procesu obliczeniowego.

2. Świadomość jest cechą fizyczną działającego mózgu; wprawdzie wszystkie fizyczne procesy można symulować obliczeniowo, symulacjom obliczeniowym nie towarzyszy jednak świadomość.

3. Odpowiednie procesy fizyczne w mózgu powodują powstanie świadomości, ale tych procesów nie można nawet symulować obliczeniowo.

Świadomości nie można wyjaśnić w żaden fizyczny, obliczeniowy czy inny naukowy sposób. W ramach tego: stanowisko A pokrywa się z silną wersją AI; stanowisko B określane jest mianem symulacji (tak, że każdy objaw myślenia maszyny jest tylko symulacją myślenia, a nie przejawem myślenia samego w sobie) i łączone z operacjonizmem ; stanowisko C jest najbardziej tutaj kłopotliwe i z jednej strony można je utożsamić ze słabą wersją AI, zaś z drugiej z poszukiwaniami nowej fizyki, jak czyni to sam Penrose, gorący jej zwolennik; stanowisko D zaś w literaturze sygnuje się mianem mistycyzmu.

prahistoria

• Mitologia: starożytna Grecja (kobiety ulepione z gliny: Pandora, Laodamia, Pigmalion; Talos – robot z brązu (Dedal i Ikar) [Platon, Menon].

• Mit golema: XVI w. – rabin Liwa Bicalel.

• Descartes (1596-1650): dwa porządki – res extensa (ciało, materia) i res cogita (dusza) = koncepcja ducha w maszynie (org. the ghost in the machine) [G. Ryle, Czym jest umysł?].

• Gottfried Wilhelm Leibniz (1646-1716): Ars Combinatoria... (Sztuka kombinatoryczna...): calculemus; characteristica universalis (język) i calculus universalis (operacje na języku) [G.W. Leibniz, Nowe rozważania dotyczące rozumu ludzkiego, t. II, ss. 134-139.]. [na marginesie: gematria].

• Rajmund Lullus (1234-1315): Ars magna generalis et ultima (Sztuka wielka ogólna i najwyższa).

• Julien Offray de La Mettrie (1709-1751): Człowiek-maszyna.

• Mechanicyzm: Jacques de Vaucanson (1709-1782)

• Charles Babbage (1792-1871), lady Augusta Ada Lovelace (1815-1852): maszyna analityczna.

• Alan Turing: maszyna Turionga (1936), test Turinga (1950).

1943 – publikacje teoretyczne tego, co dziś nazywa się cybernetyką. Równocześnie Norbert Wiener, Artur Rosenblueth i Julian H. Bigelow z MIT zaproponowali pewne sposoby wbudowywania w maszyny celów i dążeń. Warren S. McCulloch z Uniwersytetu Illinois i Walter Pitts z MIT pokazali, jak maszyny mogą posługiwać się pojęciami logicznymi i abstrakcyjnymi, a K. J. W. Craik z Uniwersytetu Cambridge podsunął myśl, że maszyny mogą przy rozwiązywaniu problemów stosować modele i analogie.

historia właściwa

Sztuczna Inteligencja

Termin Artificial Intelligence został wprowadzony w 1956 roku przez Johna McCarthy’ego. Stanowił on na początku nazwę dwumiesięcznej konferencji, która odbyła się w Darmouth College w New Hampshire, a następnie przerodził się w nazwę pełnej, dojrzałej dyscypliny naukowej.

W 1969 roku w Waszyngtonie odbyła się już pierwsza konferencja zrzeszająca grono ludzi zainteresowanych ideą maszyn myślących.

Bardzo szybko, bo już w latach 1950-1960, została powołana Międzynarodowa Rada do Spraw Sztucznej Inteligencji (International Joint Council on Artificial Intelligence), której zadaniem było przekazywanie informacji i ułatwianie kontaktów między zainteresowanymi problematyką naukowcami.

Z początkiem lat 70. powstało fachowe pismo „Artificial Intelligence”, wydawane do dziś przez North-Holland Publishing Company z siedzibą w Amsterdamie.

 

Historia SI wg Patricka Winstona

• Era prehistoryczna: od maszyny analitycznej Charlesa Babbage’a (1842) do około 1960 roku.

• Era romantyczna: 1960-1965, kiedy przewidywano, że AI osiągnie swoje cele w ciągu 10 lat.

• Okres ciemności: 1965-1970, w którym niewiele się działo, opadł entuzjazm i pojawiły się głosy bardzo krytyczne.

• Renesans: 1970-1975, gdy zaczęto budować pierwsze systemy doradcze, użyteczne w praktyce.

• Okres partnerstwa: 1975-1980, gdy do badań nad AI wprowadzono metody kognitywistyki.

• Okres komercjalizacji: 1980-1990, gdy programy AI, a szczególnie systemy doradcze zaczęto sprzedawać komercyjnie.

• + Okres robotyzacji: 1995-teraz.

kierunki badań

Rozpoznawanie wzorców [obrazów] (pattern recognition); zastosowania: np. OCR, język Graffitti palmtopów, czy programy rozpoznawania twarzy, syntezatory mowy.

Gry: szachy, warcaby, Go, mastermind, itp., ale też boty (inteligentne zachowanie się obiektów „żywych”): skrypt CLERIC2 („Kapłan rzuci na siebie czary ochronne, a następnie zacznie poruszać się po placu boju i leczyć swoich towarzyszy. Jeżeli będzie to konieczne, zacznie się bronić przy użyciu broni strzeleckiej lub do walki wręcz.”) czy problem wyznaczania drogi.

Uczenie się (machine learning).

Dowodzenie twierdzeń z logiki i matematyki: Teoretyk logiki [Logic Theorist], autorstwa Newella, Shawa i Simona [1956], dowodzący twierdzeń z Principia Mathematica, maszyny dowodzącej twierdzeń geometrycznych, autorstwa H. Gelerntera [1958], udowodnienie hipotezy Robbinsa (1936, rozwiązanie: EQP 1996).

NLP (Natural Language Processing): translatory – programy tłumaczące, chatterboty, wyszukiwarki internetowe, systemy ekstrakcji danych z tekstów.

Indukcja: systemy ekspertowe (MYCIN).

Emocje i zachowania socjalne: socjorobotyka.

Sztuka: malarz Aaron Harolda Cohena, pisarze i poeci – np. maszyna Kaliope Alberta Ducroq, prozaik Brutus Seymura Bringsjorda, Cyber Poet Raya Kurzweila.

Inne: odkrycia naukowe, analiza giełdy papierów wartościowych, programy do analizy np. spamu.

metody SI

Reprezentacja wiedzy za pomocą ram (klasy i podklasy obiektów oraz relacje między nimi).

 

Sztuczne sieci neuronowe

Załóżmy, że rozważana sieć ma n wejść i k wyjść. Wiąże się to oczywiście z tym, że w sieci takiej jest n neuronów w warstwie wejściowej i k neuronów w warstwie wyjściowej. Przy takich założeniach ciąg uczący dla uczenia pojedynczego neuronu ma postać:

gdzie:
są parami danych pokazywanych na wejściu i wyjściu sieci (neuronu) w j-tym kroku uczenia;
jest n-wymiarowym wektorem danych wejściowych w j-tym kroku;
jest wymaganą odpowiedzią neuronu w j-tym kroku;
N jest liczbą posiadanych na etapie uczenia pokazów.

Pewne metody wnioskowania, jak np. heurystyka (Polya, 1954: zestaw pewnych bardzo ogólnych zasad działania, które są oparte na takim zestawianiu faktów już znanych i nowych żeby znaleźć między nimi występujące zależności).

 

Algorytmy genetyczne

1. Tworzymy „chromosomy” (poszczególne cechy) systemu dla programu genetycznego, z których ma się składać.

2. Na podstawie (1) realizujemy opisywane przez nie systemy.

3. Badamy wyniki z (2). Badanie to ma stwierdzić, które z systemów najlepiej się nadają do spełniania ostatecznych zadań. To postępowanie decyzyjne może także przejąć maszyna!

4. Na podstawie (3) eliminujemy systemy najsłabsze i pozostawiamy najsprawniejsze, które w kolejnej fazie będą pełnić znowu rolę poszczególnych „chromosomów”. To postępowanie również może przejąć maszyna!

Sieci semantyczne (D. Lenat, CYC),
Data mining.

2001-07/08
autor: Marek Kasperski

© Marek Kasperski / 2000-2009

Nowości z wyd. Helion