Перебор — это не всегда плохо
Самыми первыми интеллектуальными задачами, которые стали решать при помощи ЭВМ, были логические игры (шашки, шахматы), доказательство теорем. Американский кибернетик А.Самуэль составил для вычислительной машины программу, которая позволяла ей играть в шашки, причем в ходе игры машина обучалась (или создавала впечатление, что обучается), улучшая свои навыки на основе накопленного опыта. В 1962 году эта программа сразилась с Р.Нили, сильнейшим шашистом в США, и победила.
Ярким примером сложной интеллектуальной игры до недавнего времени были шахматы. Еще в 1974 году состоялся международный шахматный турнир программ для ЭВМ. Победу в нем одержала советская программа «Каисса».
Почему «до недавнего времени»? События показали, что, несмотря на сложность шахмат и невозможность полного перебора ходов, само увеличение этого перебора резко увеличивает и шансы на победу. К примеру, компьютер IBM, победивший Каспарова, имел 256 процессоров, каждый — с 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс просчитывал более 100 миллионов ходов в секунду. Именно шахматных ходов, которые должны быть сгенерированы и для которых просчитаны оценочные функции.
Сейчас одной из наиболее интересных интеллектуальных задач, имеющих огромное прикладное значение, является обучение распознаванию образов и ситуаций. Это сулит широкое практическое использование — читающие автоматы, системы, ставящие медицинские диагнозы, проводящие криминалистическую экспертизу и т.п., а также роботы, способные распознавать и анализировать сложные сенсорные ситуации.
Проблема обучения распознаванию тесно связана с другой — проблемой перевода с языка на язык, а также обучения машины языку. Обработав и классифицировав основные грамматические правила и приемы пользования словарем, можно создать вполне удовлетворительный алгоритм для перевода, скажем, научного или делового текста. Для некоторых языков такие системы были созданы еще в конце 60-х годов. Однако чтобы связно перевести большой разговорный текст, необходимо понимать его смысл.
Работы над такими программами ведутся уже давно, но до полного успеха еще далеко.
Что же до моделирования логического мышления, хорошей задачей здесь может служить автоматизация доказательства теорем. Большой интерес представляла интеллектуальная программа американского математика Хао Ванга. С этой программой машина IBM-704 всего за 3 минуты" вывела 220 относительно простых лемм и теорем, а затем за 8 с половиной минут выдала доказательства еще 130 более сложных теорем, часть их которых еще не была выведена живыми математиками.
В начале 70-х появились логические экспертные системы, основанные на логических моделях «Если А, то В...» и знаниях, предоставляемых экспертами в той или иной области. В программу закладывали информацию, полученную путем детального опроса экспертов в той или иной области (например, на основании каких признаков врач ставит свой диагноз).
Такая система могла не только быстро и эффективно сделать вывод, но и объяснить свои действия, поэтому считалась вполне интеллектуальной.
Начался бум экспертных систем. Практически во всех областях человеческих знаний были созданы такие системы — и практически везде они оказались недостаточно эффективны. Реальная жизнь оказалась сложнее инструкций, хороший специалист принимает решение чисто интуитивно.
К началу 80-х появились системы нечеткой логики. В отличие от традиционных систем, основанных на двоичных множествах («да»—«нет», «истинно»—«ложно»), системы нечеткой логики оперируют бесконечным множеством значений (часто, редко, близко, далеко...) и представляют собой систему приближенных вычислений.
Современный вычислительный интеллект, основанный на «нечеткой» логике, оказался лучше приспособлен к жизни: он успешно адаптируется к изменениям внешней среды, меняя свою логику в зависимости от изменения целей системы. Подобные системы дешевы: «нечеткий» чип стоит сегодня порядка 5 долларов. А в результате стиральная машина сама, определив состав ткани заложенного в барабан белья, выбирает режим стирки, а утюг — оптимальную температуру глажения.
В 90-е годы для самообучения интеллектуальных систем была создана мощная вычислительная система поиска оптимальны) решений — генетический алгоритм. Используя эволюционные модели: естественный отбор, закрепление лучших наследственных признаков, а также метод проб и ошибок — интеллектуальные системы из множества возможных решений задачи находят наилучшее.
Интеллектуальные системы последнего поколения представляют собой вычислительный интеллект и используют гибридный подход, при котором в разных частях системы работают разные вычислительные модели, которые активно взаимодействуют между собой.
