Влияние Тьюринга и Дартмутской конференции на развитие ИИ
Работа Тьюринга, особенно его предложение Тьюринг теста, оказала значительное влияние на изучение и разработку искусственного интеллекта. Тьюринг тест стал мерилом для оценки способностей ИИ и вдохновил множество ученых на попытки создать машины, способные проходить этот тест.
Конференция стимулировала исследования в области ИИ, в результате чего были разработаны первые программы, способные моделировать человеческое мышление на базовом уровне. Это также способствовало созданию первых академических центров, специализирующихся на ИИ, и привело к развитию междисциплинарных подходов в исследованиях, соединяющих компьютерные науки, логику, психологию и нейробиологию.
Перцептрон Франка Розенблатта (1958)
Перцептрон был разработан Франком Розенблаттом в 1958 году и стал одним из первых алгоритмов, основанных на принципах работы нейронных сетей. Перцептрон предназначался для автоматического распознавания образов и был одним из первых примеров машины, способной обучаться без программирования явных инструкций.
Совершенно не заслужено фамилию Розенблатта вспоминают теперь чаще в исторических обзорах. Надо отметить, что Розенблатт разработал не какой-то один вид искусственной нейронной сети. Он разработал полную классификацию всевозможных нейронных сетей. Под общие название перцептрон – попадает ЛЮБАЯ ныне существующая ИНС. Есть у Розенблатта и многослойные перцептроны, которые по его терминологии начинаются с двух внутренних слоев, и рекуррентные перцептроны, и много других подтипов. Причем в отличии от современно разрабатываемых их характеристики Розенблаттом просчитаны более тщательно. Именно поэтому просто необходимо вновь разрабатываемую ИНС сравнивать вначале с соответствующим по классификации перцептронов от Розенблатта – если такого сравнения нет, то и эффективность новой ИНС совершенно не ясна. А многие разработчики ИНС – не удосуживаются этого сделать, и как следствие много званых, и не одного призванного.
Принцип работы перцептрона
Перцептрон имитировал работу человеческого нейрона с использованием простой математической модели. Входные сигналы перцептрона (аналоги дендритов нейрона) принимали числовые значения, которые взвешивались и суммировались. Если сумма превышала определенный порог, перцептрон активировался, отправляя сигнал (аналог аксона).
Примеры использования
Перцептрон успешно применялся для решения простых задач распознавания, таких как определение, является ли представленное изображение буквой или цифрой. Это было значительным шагом вперед в разработке алгоритмов машинного обучения.
Logic Theorist – программа Аллена Ньюэлла и Герберта Саймона (1956)
"Logic Theorist" разработанная Алленом Ньюэллом и Гербертом Саймоном в 1956 году, считается одной из первых ИИ-программ. Эта программа предназначалась для автоматического доказательства теорем.
Как работал Logic Theorist
Программа использовала базовые правила логики для формулировки доказательств теорем. Она могла предлагать несколько подходов к доказательству, некоторые из которых могли быть более эффективными, чем традиционные методы, используемые людьми.
Достижения и ограничения
"Logic Theorist" смогла доказать 38 из первых 52 теорем в книге "Принципы математической логики" Рассела и Уайтхеда. Это доказательство потенциала ИИ в решении интеллектуальных задач вызвало широкий интерес к этой области.
Хорошо, давай добавим информацию о дополнительных алгоритмах и моделях, которые были разработаны в начальные годы развития ИИ, чтобы дополнить картину раннего прогресса в этой области.
Дополнительные примеры алгоритмов и моделей
Программа Samuel’s Checkers (1959)
Одним из первых примеров использования ИИ для игр была программа для игры в шашки, разработанная Артуром Сэмюэлем в 1959 году. Эта программа использовала методы машинного обучения для улучшения своих стратегий со временем, став прародителем алгоритмов обучения с подкреплением.
Программа анализировала и запоминала успешные ходы, применяя статистический анализ для оптимизации стратегии игры. С течением времени программа становилась все лучше, демонстрируя способность ИИ к самообучению.Как работала программа:
Программа General Problem Solver (GPS) 1957
"General Problem Solver" (GPS), разработанный Алленом Ньюэллом и Гербертом Саймоном в 1957 году, был предназначен для имитации человеческого мышления в процессе решения общих проблем. GPS использовал методы декомпозиции задач на подзадачи и искал решения с помощью "метода средств и целей".
GPS пытался найти решение для заданной проблемы, сопоставляя текущее состояние с целевым и применяя различные операторы для сужения разрыва между ними. Это было революционным подходом в области искусственного интеллекта для решения проблем широкого спектра.Принцип работы GPS:
Программа ELIZA (1966)
ELIZA, разработанная Джозефом Вейценбаумом в 1966 году, была одной из первых программ, способных имитировать диалог на человеческом языке. Она была предназначена для имитации психотерапевта в разговоре с пациентом, используя очень простые правила для переформулировки фраз или задавания вопросов.
Программа использовала ключевые слова из вводимых пользователем фраз и применяла к ним простой сценарий, чтобы создать иллюзию понимания. ELIZA была одним из первых примеров обработки естественного языка, хотя и ограниченного.Как работала ELIZA:
2.3.7. Общее влияние ранних алгоритмов ИИ
Эти ранние разработки значительно продвинули понимание того, как машины могут обучаться и решать задачи, которые традиционно считались прерогативой человеческого интеллекта. Они также подготовили почву для дальнейшего развития более сложных систем ИИ, которые начали появляться в последующие десятилетия.
Ограничения первых попыток
Это отражает общую проблему тех времён – недостаточную мощность оборудования для работы с алгоритмами ИИ, что заметно сдерживало их развитие.Одним из крупнейших барьеров на пути ранних исследований в области искусственного интеллекта была ограниченная вычислительная мощность того времени. Компьютеры, такие как ENIAC, хотя и были технологическими чудесами своего времени, обладали лишь долей мощности современных машин. Марвин Мински, один из пионеров ИИ, отмечал:
“Мы недооценивали сложность наших задач. Все дело в том, что мы не имели мощности, чтобы делать даже одну десятую того, что было нужно для решения этих задач.”
Отсутствие данных не позволяло системам учиться и адаптироваться, что является ключевым аспектом интеллектуальных систем.Кроме того, ограниченное количество доступных данных для обучения стало серьезной проблемой для ранних ИИ-систем. Даже такие продвинутые на тот момент программы, как программа для игры в шашки от Артура Сэмюэля, сталкивались с ограничениями в возможностях обучения из-за нехватки данных. Герберт Саймон, еще один видный исследователь ИИ, комментировал это ограничение:
“Многие из наших ранних моделей страдали от нехватки данных. Мы могли бы делать больше, если бы имели доступ к большему количеству информации.”
Это привело к переоценке возможностей ИИ и последующему разочарованию, когда высокие ожидания сталкивались с жесткой реальностью.Сложность задач, с которыми столкнулись разработчики первых ИИ, часто недооценивалась. Исследователи, такие как Аллен Ньюэлл, создатель программы General Problem Solver, первоначально полагали, что могут симулировать широкий спектр человеческого мышления через простые алгоритмы. Ньюэлл вспоминал:
“Наши первые попытки в симуляции человеческого мышления были наивны. Мы думали, что достаточно создать пару алгоритмов, чтобы машина начала ‘думать’.”
Эти ранние проблемы и ограничения стали важным уроком для следующих поколений исследователей ИИ. Они подчеркивают значимость терпения и реалистичного подхода к разработке технологий. Понимание этих ограничений помогло сформировать более зрелый и осмысленный подход к исследованиям и разработкам в области искусственного интеллекта.
Конец ознакомительного фрагмента.
Текст предоставлен ООО «Литрес».
Прочитайте эту книгу целиком, купив полную легальную версию (https://www.litres.ru/pages/biblio_book/?art=71019457&lfrom=174836202&ffile=1) на Литрес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.
