Универсальное устройство - [91]
На протяжении следующего десятилетия, когда научное исследование ИИ начало привлекать интерес общественности и когда в то же время компьютерные терминалы стали более распространённым человеко-машинным интерфейсом, две будущие темы – экранный интерфейс и ИИ – сплелись воедино, и услужливые человекоподобные роботы былого времени перевоплотились. В первом сезоне «Звёздного пути» капитан Кирк разговаривает с кубообразным компьютером. А компьютер HAL9000 из «2001: Космическая Одиссея» представляет собой всепроникающий ИИ, управляемый – недолго, правда, – с помощью голосовых команд.
«А вот Siri скорее традиционный ИИ, призванный исполнять роль ассистента, – говорит Грубер. – Задумка, основная идея иметь в помощниках ИИ, существовала в головах людей всегда. Я раньше показывал фрагменты видео о Knowledge Navigator от Apple». Видео, о котором идёт речь и которое является легендарным в определённых технических кругах, представляет собой чудесные зарисовки о ранней дизайнерской выдумке Apple времён Джона Скалли[47]. В нём показан профессор в шикарном, напоминающем о Лиге плюща, кабинете, который советуется со своим планшетом (даже сейчас Грубер называет его Dynabook, а Алан Кей, очевидно, был консультантом проекта Knowledge Navigator), разговаривая с ним. Его компьютерный помощник представлен в виде щёголя с галстуком-бабочкой, и он сообщает профессору Серьёзну[48] о его грядущей помолвке и последних публикациях его коллег. «Вот та самая модель Siri; она была уже в 1987 году».
Диссертация Грубера, которую он защитил в 1989 году и которая потом вылилась в книгу, называлась «Приобретение стратегический знаний» и описывала обучение компьютерного помощника с ИИ, перенимавшего знания от экспертов-людей.
Период, на протяжении которого Грубер учился в аспирантуре, был, по его словам, «временем накала, когда существовало два знаковых подхода к ИИ: чистое логическое представление и обобщённое формирование рассуждений». Ориентированный на логику подход к ИИ включал в себя попытки научить компьютер размышлять, используя эти символьные конструктивные блоки подобно тому, как это происходит в английских предложениях. Другой же подход ориентировался на данные. Суть модели в следующем. «Нет, на самом деле проблема заключается в реализации памяти, а формирование рассуждений – это лишь малая её часть, – говорит Грубер. – Юристы, к примеру, становятся выдающимися не потому, что обладают проницательным умом, способным решать задачи, подобно Эйнштейну. Первоклассными юристами их делает знание целой горы всякой всячины. У них есть базы данных, они превосходно в них ориентируются и быстро находят подходящие данные и документы, принимают верные решения». Грубер – приверженец логического подхода, хотя этот подход «уже не в моде. Сейчас люди тянутся не к знаниям, а к обширным базам данных и машинному обучению».
Разделение мудреное, но при этом по существу. Когда Грубер говорит «знания», я думаю, он подразумевает точное полноценное понимание того, как устроен мир и как происходит процесс осмысления. На сегодняшний день учёные мало заинтересованы в развитии способности ИИ к самостоятельному мышлению, они больше сосредоточены на всё более и более сложном машинном обучении, которое не далеко ушло от автоматизированного получения данных. Возможно, вам доводилось слышать термин «глубокое обучение». Суть проектов вроде нейронной сети Google DeepMind основана на получении как можно большего количества данных и всё более и более точном моделировании результатов на выходе. Путём обработки огромного количества данных, скажем, о картинах Ван Гога, такой системе можно дать задание создать картину Ван Гога – и она сделает изображение, очень похожее на стиль Ван Гога. Разница между ориентированным на данные и ориентированным на логику подходами заключается в том, что компьютер ничего не знает о Ван Гоге или о том, что из себя представляет этот художник. Он лишь воспроизводит шаблоны – зачастую очень умело, – которые ему попадались прежде.
«Это хорошо с точки зрения восприятия, – говорит Грубер. – Машинное зрение, машинная речь, усвоение, распознавание шаблонов – однако всё перечисленное слабо коррелировало с представлениями знаний. Они полезнее для методов сбора данных и обработки сигналов. Поэтому вот что произошло: машинное обучение значительно продвинулось лишь в обобщении, полученном в результате работы с обучающими примерами».
Но у такого подхода, конечно, есть и недостаток. «Модели, полученные с помощью машинного обучения, на самом деле не имеют ни малейшего понятия, какие знания они получили и что эти знания означают; модели просто натренированы на обучающей выборке выполнять определённую функцию», как в случае с воспроизведением картин Ван Гога.
