Стюарт Рассел - Совместимость. Как контролировать искусственный интеллект

Нам с вами для понимания возможностей и перспектив ИИ важны два типа логики, по-настоящему существенные: пропозиционная логика и логика первого порядка. Разница между ними имеет принципиальный характер для понимания текущей ситуации в сфере разработки ИИ и ее вероятного развития.

Давайте начнем с более простой пропозиционной логики. Предложения составляются только из двух типов объектов: символов, обозначающих утверждения, которые могут быть истинными или ложными, и логических связок : и, или, нети если… то(дальше я приведу пример). Эти логические связки иногда называют Булевыми , в честь Джорджа Буля, логика XIX в., вдохнувшего новую жизнь в эту сферу знания, предложив новые математические идеи. Это то же самое, что логические элементы компьютерных чипов.

Практические алгоритмы формирования рассуждения в пропозиционной логике известны с начала 1960-х гг. [343] [344]Хотя задача универсального рассуждения в худшем случае может потребовать экспоненциального времени [345], современные алгоритмы пропозиционной логики решают задачи с миллионами пропозиционных символов и десятками миллионов предложений. Это основной инструмент составления гарантированно исполнимых логистических планов, верификации дизайна чипов перед их производством и проверки корректности программных приложений и протоколов безопасности перед их использованием. Замечательно, что один алгоритм — алгоритм формирования рассуждений пропозиционной логики — решает все задачи, если они сформулированы как задачи на рассуждение. Очевидно, это шаг на пути к универсальности интеллектуальных систем.

К сожалению, шаг довольно скромный, поскольку язык пропозиционной логики не слишком выразителен. Давайте рассмотрим, что это означает на практике, если попытаться выразить главное правило допустимых ходов в го: «Игрок, имеющий право хода, может поместить камень на любую незанятую точку пересечения линий» [346]. Первый шаг — решить, какие пропозиционные символы подойдут для описания ходов и игровых позиций го. Значимое базовое предположение — находится ли камень определенного цвета в определенном положении в определенное время. Итак, нам понадобятся такие символы, как Белый_Камень_На_5_5_В_Ходе_38 и Черный_Камень_На_5_5_В_Ходе_38 . (Помните, что, как и в случае человека, смертного и Сократа , алгоритму формирования рассуждения не нужно знать значение символа.) Тогда логическое условие возможности для белых сделать ход на пункт (5,5) в процессе 38 хода будет иметь вид:

( не Белый_Камень_На_5_5_в_Ходе_38 )

и( не Черный_Камень_На_5_5_В_Ходе_38 ).

Иными словами, в данном пункте нет ни белого, ни черного камня. Вроде бы просто. К сожалению, в пропозиционной логике это придется расписывать по отдельности для каждого положения на каждом ходе игры. Поскольку за одну игру имеется 361 положение и около 300 ходов, это означает больше 100 000 копий правила! Для правил, описывающих захваты и повторы, в которых участвует несколько камней и пунктов, ситуация ухудшается, и мы быстро заполняем правилами миллионы страниц.

Очевидно, что реальный мир намного больше доски для игры в го. В нем намного больше 361 местоположения и 300 временн ы х шагов, а также множество других типов объектов, помимо камней. В общем, перспектива использования пропозиционного исчисления для описания знания о реальном мире совершенно безнадежна.

Проблему представляет не только огромный до нелепого размер свода правил, но и большой объем опыта, который потребуется обучающейся системе, чтобы усвоить правила из примеров. Если человеку достаточно одного-двух примеров, чтобы составить общее представление о том, как ставить камень на доску, захватывать камни и т. д., то интеллектуальной системе на основе пропозиционной логики пришлось бы показывать примеры перемещений и захватов по отдельности для каждого пункта и каждого хода. Система не может сделать обобщение на основе немногочисленных примеров, как это делает человек, поскольку не имеет возможности сформулировать общее правило. Это ограничение распространяется не только на системы, основанные на пропозиционной логике, но на любые системы с сопоставимыми выразительными возможностями. Например, Байесовы сети, вероятностные родственники систем пропозиционной логики, и нейронные сети, являющиеся основой подхода к созданию ИИ на основе глубокого обучения.