Персептроны и темное время объединённости

Персептрон был формой нейронной сети, введенной в 1958 году Розенблаттом, который был одноклассником Марвин Мински в Бронкской средней школе. Как и большинство исследователей ИИ, он с оптимизмом смотрел на свою власть, предсказывая, что «персептрон может в конечном итоге научиться, принимать решения и переводить языки». В течение 60-х годов была проведена активная исследовательская программа в парадигме, но внезапно прекратилась публикация книги Персептронов «Микс» и «Паперта» в 1969 году. Он предположил, что существуют серьезные ограничения в отношении того, что могут предпринять персептроны, и что предсказания Фрэнка Розенблатта были сильно преувеличены. Эффект книги был разрушительным: практически никаких исследований в течение 10 лет не проводилось. В конце концов, новое поколение исследователей возродит поле, а затем станет важной и полезной частью искусственного интеллекта.

Успехи: логические и символические рассуждения

Логика была введена в исследование ИИ еще в 1958 году Джоном МакКарти в его приложении Консультант. В 1963 году Дж. Алан Робинсон обнаружил простой метод для осуществления вычитания на компьютерах, алгоритм разрешения и унификации. Однако простые реализации, подобные попыткам Маккарти и его учеников в конце 60-х годов, были особенно трудноразрешимыми: для программ были необходимы астрономические числа шагов для доказательства простых теорем. Более плодотворный подход к логике был разработан в 1970-х годах Робертом Ковальски в Университете Эдинбурга, и вскоре это привело к сотрудничеству с французскими исследователями Аленом Кольмерауром и Филиппом Русселем, который создал успешный язык программирования логики Prolog.

Критики логического подхода отметили, что люди редко использовали логику, когда решали проблемы. Эксперименты таких психологов, как Питер Вазон, Элеанор Рош, Амос Тверский, Даниэль Канеман и другие, доказали это. Маккарти ответил, что то, что делают люди, не имеет значения. Он утверждал, что действительно нужны машины, которые могут решать проблемы, а не машины, которые думают так, как люди.

Ошибки: рамки и скрипты

Среди критиков подхода Маккарти были его коллеги по всей стране в Массачусетском технологическом институте. Марвин Мински, Сеймур Паперт и Роджер Шенк пытались решить такие проблемы, как «понимание историй» и «распознавание объектов», которые требовали, чтобы машина думала как человек. Чтобы использовать обычные понятия, такие как «стул» или «ресторан», им приходилось делать все те же нелогичные предположения, которые обычно делали люди. К сожалению, неточные понятия, подобные этим, трудно представить в логике. Джеральд Суссман заметил, что «использование точного языка для описания принципиально неточных понятий не делает их более точными». описывали их «анти-логические» подходы как «неряшливые», а не «опрятные» парадигмы, используемые Маккарти, Ковальски, Фейгенбаумом, Ньюэлом и Саймоном.

В 1975 году, в оригинальной газете, Мински отметил, что многие из его «неряшливых» исследователей использовали один и тот же инструмент: структуру, которая отражает все наши предположения об осознанном мышлении о чем-либо. Например, если мы используем концепцию птицы, есть сразу совокупность фактов, которые сразу приходят на ум: мы можем предположить, что она летит, ест червей и так далее. Мы знаем, что эти факты не всегда верны и что выводы, использующие эти факты, не будут «логическими», но эти структурированные наборы предположений являются частью контекста всего, что мы говорим и думаем. Он назвал эти структуры «рамами». Шенк использовал версию рамок, которую он назвал «скриптами» чтобы успешно отвечать на вопросы о коротких рассказах на английском языке. Много лет спустя объектно-ориентированное программирование приняло бы основную идею«наследования»из исследований ИИ.

Бум 1980-1987

В 1980-х годах корпорация по всему миру приняла форму программы ИИ под названием «экспертные системы», и знания стали объектом основного исследования ИИ. В те же годы японское правительство активно финансировало ИИ с помощью своего компьютерного проекта пятого поколения. Еще одним обнадеживающим событием в начале 80-х годов стало возрождение связности в работе Джона Хопфилда и Дэвида Румельхарта. И снова ИИ достиг успеха.

Рост экспертных систем

Экспертная система представляет собой программу, которая отвечает на вопросы или решает задачи о конкретной области знаний, используя логические правила, которые вытекают из знаний экспертов. Самые ранние примеры были разработаны Эдвардом Фейгенбаумом и его учениками. Дендрал, начатый в 1965 году, идентифицировал соединения из показаний спектрометра. MYCIN, разработанный в 1972 году, диагностировал инфекционные заболевания крови. Они продемонстрировали осуществимость подхода.

Экспертные системы ограничили себя небольшим областью конкретных знаний (таким образом, избегая проблемы знаний осознанного мышления), и их простой дизайн сделал относительно легким создание программ, а затем их модифицировали, когда они были на месте. В целом, программы оказались полезными, чего ИИ до сих пор не смог достичь.

В 1980 году в Университете Карнеги Меллон для корпорации Digital Equipment была завершена экспертная система под названием XCON. Это был огромный успех: он экономил 40 миллионов долларов ежегодно в 1986 году. Корпорации во всем мире начали разрабатывать и развертывать экспертные системы, и к 1985 году они тратили более миллиарда долларов на ИИ. Индустрия выросла, чтобы поддержать их, включая такие аппаратные компании, как Symbolics и Lisp Machines, а также такие программные компании, как IntelliCorp и Aion.

Революция знаний

Сила экспертных систем основывалась на знаниях экспертов, которые они содержали. Они были частью нового направления в исследовании ИИ, которое набирало силу в течение 70-х годов. Основанные на знаниях системы и инженерия знаний стали основным направлением исследований ИИ в 1980-х годах.

Шахматные игры HiTech и Deep Thought победили шахматных мастеров в 1989 году. Оба они были разработаны Университетом Карнеги-Меллона; Развитие Deep Thought проложило путь для Deep Blue.