Loading...

Seznamte se:

Umělá inteligence

Existuje opravdu, nebo je to marketingový trik? Nahradí nás roboti? Čeká nás singularita a stroje začnou vládnout světu? Anebo mluvíme prostě jen o dalším stádiu vývoje softwaru, sice zajímavém, ale bez vzrušujících důsledků?

Jako mnoho jiných věcí, i umělá inteligence vznikla dřív, než se tak jmenovala. Za zlomový moment se pokládá rok 1943, kdy profesor Warren McCulloch se svým supertalentovaným studentem Walterem Pittsem na chicagské univerzitě navrhli matematický model nervové buňky — neuronu.

Tou dobou se otázka myslících strojů v angloamerickém prostředí vysloveně vznášela ve vzduchu. Alan Turing formuloval Turingův test, podle nějž máme přiznat inteligenci takovému stroji, který dokáže v rozhovoru úspěšně předstírat, že je člověkem. Isaac Asimov – který byl nejen spisovatelem sci-fi, ale také člověkem se solidním vědeckým vzděláním – psal svou Nadaci a příběhy o robotech. Myslící stroje se zdály být na dosah nejen specialistům, ale i člověku z ulice, který si cestou na nadzemku kupoval ve stánku svůj ilustrovaný časopis.

Dnes se zdá být neuvěřitelně troufalé, že s tehdejší primitivní výpočetní technikou někdo pomýšlel na tak vysoký cíl. Jistý údiv nad vlastní smělostí lze vyčíst i ze vzpomínek tehdejších hlavních protagonistů. Vysvětlením patrně je duch doby.

Technický pokrok byl plně ztotožňován – možná naposledy v dějinách – se společenským prospěchem. Tvrdě se pracovalo na chystaných vesmírných letech. Někde pod tím už tikala časovaná bomba věku Vodnáře, vietnamské války a roku 1968, ale vybuchnout ještě nějakou dobu neměla. Padesátá léta chodila v bílé košili, úhledně přistřižená, na nose měla tlusté brýle a v kapse logaritmické pravítko. Názor, že svět, život, ekonomie a společnost jsou plně popsatelné, a tím pádem i řiditelné, dosáhl vrcholu. Od té doby to s ním jde s kopce.

Matematický model neuronu vymysleli McCulloch a Pitts, ale Marvin Minsky spolu s Deanem Edmondsem byli první, kdo na jeho základě postavili a zprovoznili první neuronovou síť na světě. SNARC, tvořený čtyřmi sty elektronkami, dokázal simulovat průchod jednoduchým bludištěm. Opakováním se učil a posléze dosáhl při řešení bludišť schopností na úrovni laboratorní myši. Což vypadalo jako závratný úspěch.

Dartmouth

V roce 1956 se na Dartmouth College v New Hampshire sešla malá elitní konference, o níž se píše v každé učebnici computer science, ač se tam nevyřešilo nic převratného. Význam má ze tří důvodů. Za prvé tam vznikl sám pojem umělá inteligence, ustavil se tedy nový vědní obor. Za druhé je seznam účastníků v podstatě výčtem celé zakladatelské generace. Za třetí zavládl tam duch nezřízeného optimismu, na jehož křídlech AI doletěla vysoko, převysoko. Na chvíli.

Nejznámější z účastníků jsou dnes Claude Shannon a Herbert Simon, první jako tvůrce matematické teorie informace, druhý jako nositel Nobelovy ceny za ekonomii a autor slavného výroku, že počítače jsou všude kromě statistik produktivity práce. (Řekl to v osmdesátých letech a svým způsobem to platí dodnes.)

Foto DobriZheglov, Wikimedia Commons.
Claude Shannon, který vymyslel základy teorie informace.

Mimochodem, ten, kdo by si zasloužil být na takové zakladatelské konferenci asi ze všech nejvíc, tam nebyl, protože byl už dva roky mrtev: Alan Turing. Ne až tak nutně kvůli slavnému Turingovu testu. Ten byl a je spíš filozofickou hříčkou a společenskou hrou než vědeckým průlomem. Daleko důležitější je Turingův stroj, tedy ucelená matematická teorie počítače a spočitatelnosti. Ta sehrála velkou roli v té části umělé inteligence, která se od počátku zaměřila na tzv. řešení problémů. K tomu by měl Turing mnoho co říci, kdyby se druhé půlky padesátých let dožil. Spáchal sebevraždu v jednačtyřiceti, což je dodnes strašidelnou připomínkou netolerance a omezenosti mravních pokrytců.

Klasická AI

Další rozvoj neuronových sítí postupoval pomalu, zejména kvůli hardwarovým omezením, ať už vědci stavěli specializovaná zařízení nebo psali programy simulující neuronovou síť na normálním počítači.

Hlavní směr výzkumu se proto začal otáčet jinam: k abstraktním symbolickým manipulacím. Převládl názor, že to, co je potřeba zvládnout především, je formalizace logiky. Jinými slovy, když dokáže program luštit hlavolamy, poradí si se vším ostatním snadno. Problémy umělé inteligence se tak začaly zvolna redukovat na automatizované dokazování matematických vět a jiné vysoce abstraktní problémy. Těmto systémům a tomuto směru výzkumu se říká řešení problémů (problem solving).

Důvodů takto úzkého zaměření bylo víc. Lze se obávat, že mezi nimi nechybělo i něco na způsob „podle sebe soudím tebe“ – mezi výzkumníky bylo nezdravě vysoké procento geeků, profesionálních luštitelů hádanek, kteří takové schopnosti víceméně ztotožňovali s inteligencí jako celkem.

Foto Steve Parker, Flickr, licence CC
Alan Turing, který měl žít mnohem déle.

Simon s Newellem roku 1958 napsali, že do deseti let bude počítač mistrem světa v šachu (splnilo se roku 1997), objeví se a dokáže významný matematický teorém (částečně se to splnilo roku 1976, nejde však o objev teorému, jen o jeho důkaz, navíc způsobem, který matematici nedovedou nezávisle ověřit a jsou z něj pramálo nadšeni), že počítač bude skládat hodnotnou hudbu (nesplněno) a že většina psychologických teorií bude mít formu počítačových programů (nesplněno). Právě ta poslední předpověď je pro tehdejší dobu velmi typická. Za samozřejmý cíl umělé inteligence se považovalo modelování lidského myšlení, jeho replikace. A základem veškerého myšlení se zdál být logický úsudek.

Aby AI systémy mohly mít vztah k reálnému světu, třeba velmi zjednodušenému, potřebovaly však disponovat znalostmi, fakty. Tak vznikly první expertní systémy.

Expertní systém lze bez velkého zjednodušení popsat jako soubor pravidel zapsaných ve formě „jestliže něco, pak něco“ (implikací) plus soubor metapravidel, jež určují, jak s těmito popisnými pravidly zacházet (například když se dvě ocitnou v konfliktu). Tedy například: IF černý kouř z výfuku THEN příliš bohatá směs. IF (bílý kouř z výfuku AND po chvíli zmizí) THEN kondenzovaná voda ve výfuku.

Dejte takových pravidel dohromady pár tisíc a máte kompletní diagnostiku auta, odpovídající znalostem a zkušenostem dobrého mechanika. (Právě diagnostika, ať lékařská nebo technických závad, byla a je tradičním polem nasazení expertních systémů. Experta nemusíte mít vždy po ruce, jeho služby mohou být drahé a kvalifikovaný úsudek mu zabere hodně času. Počítač tohle všechno eliminuje.) Velkou výhodou je to, že expertní systémy vyhovují pro popis úloh z reálného světa, lze na nich demonstrovat užitečnost AI. Dají se vylepšovat a dá se do nich zahrnout fuzzy logika, umožňující zpracovat neurčité informace („trochu“, „hodně“, „občas“,…).

Krize

Na konci šedesátých let bylo otrháno ze stromu AI veškeré nízko visící ovoce. Inteligentní roboti pobíhali v každé sci-fi povídce, Asimovovy tři zákony robotiky znal každý kluk, z dialogů Davea Bowmana s počítačem HAL 9000 ve filmu 2001: A Space Odyssey mrazilo v zádech – a realita nikde.

Marvin Minsky se Seymourem Papertem roku 1969 v knize Perceptrons ukázali definitivní meze možností tehdejších neuronových sítí. V podstatě řekli, že práce, které se po patnáct let věnovali jedni z nejbystřejších lidí světa – včetně jich dvou – vede nevyhnutelně do slepé uličky, protože neuronové sítě nedovedou nic významného (to byla tehdy víceméně pravda) a nikdy to umět nebudou (to pravda nebyla, podařilo se najít odlišné přístupy, dnes patří neuronové sítě k nejúspěšnějším oblastem AI).

Tu knihu jim mnozí kolegové dlouho vyčítali. Ale jedna kniha krizi nedělá. Obor byl v hlubokých potížích z více důvodů a většina z nich byla naprosto objektivní.

První a základní: chyběl výpočetní výkon. Podle Mooreova zákona se zdvojnásobí výkon základních polovodičových prvků jednou za osmnáct měsíců. Od roku 1970 nás tedy dnes dělí třicet zdvojnásobení. Naše dnešní počítače jsou miliardkrát výkonnější než tehdejší.

Za druhé hodně praktických problémů v AI vedlo k algoritmům exponenciální složitosti neboli k tzv. kombinatorické explozi. V případě metod, jejichž výpočetní čas roste s objemem dat exponenciálně, je už vlastně jedno, jestli máme pomalý nebo rychlý počítač, po několika krocích přestanou stačit oba dva i všechny další, které ještě nebyly vymyšleny. Problémy exponenciální složitosti řešit v praxi neumíme, i když principiálně mohou být jednoduché – třeba tzv. problém obchodního cestujícího.

Za třetí se ukázalo, jak nesmírně obtížné je najít vhodnou vnitřní strojovou reprezentaci údajů o reálném světě – znalostí, faktů – aby se s nimi dalo pracovat, vybudovat nad nimi jakousi „aritmetiku“, která by umožnila jednoduše odvodit, že když v noci pršelo, budou ráno ulice mokré apod. Expertní systémy se dobře osvědčily tam, kde šlo o velmi úzký výsek reality, třeba při vyhodnocování spektrografie nebo v diagnostice některých konkrétních typů nádorů. V obecných úlohách, kde kontextem je celý reálný svět, však jsou k ničemu.

Vyschly vládní dotace na výzkum. Umělá inteligence se ocitla na vedlejší koleji. Vývoj v technologickém světě na dlouhou dobu zamířil jinam, k osobním počítačům a internetu. Namísto ústředních mozků lidstva a všemocných robotů se soustředil na praktické pomůcky pro běžnou práci – a později na komerční využití.

Filozofové

AI přestala být módním oborem: málo grantů, málo profesur, velmi málo komerčních aplikací. Nekoukala z toho ani sláva, ani peníze. Hlavní slovo na nějakou dobu překvapivě převzali filozofové jako John Searle a Jerry Fodor, kteří svými úvahami všeobecnou depresi ještě prohloubili.

Searle je autorem známého rozlišení mezi tzv. slabou a silnou umělou inteligencí. Pokud stroje (nebo programy) jednají tak, že se navenek jeví jako inteligentní, jde o slabou AI. Abychom mohli mluvit o silné AI, musí se shodovat s člověkem nejen vnější podoba a výsledky procesů myšlení, ale také jejich vnitřní mechanismus. Počítač by měl co nejvěrněji napodobit všechny aspekty činnosti lidského mozku.

Poté, co Searle takto rozlišil dva typy AI, navrhl elegantní myšlenkový pokus, tzv. podobenství o čínském pokoji, jímž chtěl ukázat nemožnost silné AI. Máme místnost – „čínský pokoj“, do níž lidé škvírou ve dveřích vkládají dotazy psané čínsky. Osoba v pokoji neumí čínsky ani slovo, ale má k dispozici slovníky a psaná pravidla, pomoci nichž vždy dokáže z jednoho řetězce znaků – z otázky – odvodit druhý řetězec – odpověď – zapsat ji na papír a podat ven. Z hlediska vnějšího pozorovatele se čínský pokoj chová jako inteligentní mluvčí čínštiny, ačkoli není v pokoji nic, co by čínsky umělo. Manipulace se symboly, dovozuje Searle, nemá nic společného s porozuměním, vědomím a myšlením. Tudíž silná AI neexistuje.

Foto FranksValli, Wikimedia Commons.
John Searle, který vymyslel Čínský pokoj.

Searle má samozřejmě pravdu v tom, že dnes neumíme postavit stroj věrně napodobující lidský mozek. Ostatně není jasné, jak by se měla shoda s fungováním mozku posuzovat. Když někdo/něco není člověk, pak se nedá očekávat, že to bude přemýšlet stejně jako člověk! Nerozumíme tomu, jak uvažuje pes. V podstatě nerozumíme ani tomu, jak uvažuje jiný člověk! Není pak absurdní chtít nějakou shodu po počítači?

Kevin Warwick, významný britský robotik, navrhuje odlišnou koncepci – racionální umělou inteligenci. „Racionální AI znamená, že jakýkoli artefakt, splňující její obecnou definici, může uvažovat a chovat se inteligentně svým vlastním způsobem. Není podstatné, zda přitom bude či nebude vykazovat inteligenci, vědomí, myšlení atd. ve smyslu podobném člověku. Pojmy slabá a silná AI mohou mít smysl jen v omezeném kontextu porovnání s lidskou formou inteligence.“ Což je definice, která bere v úvahu jak AI, tak případné mimozemšťany.

Foto Lwp Kommunikáció, Flickr, licence CC.
Kevin Warwick, který si jako jeden z prvních lidí nechal voperovat čip.

Moderní AI

Práci v AI oživili lidé, kteří byli zaměření praktičtěji než zakladatelská generace. Obnovil se zájem o neuronové sítě (a obecněji o strojové učení), a to hlavně díky výkonnějším počítačům a objevu nových algoritmů. Pomocí neuronových sítí se dnes řeší mnoho úloh spojených s rozpoznáváním vzorů, což má význam v investičním bankovnictví, při schvalování úvěrů, při detekci bankovních podvodů, analýze zákaznických dat apod. Vesměs jde o aplikace, kde se investice do výzkumu rychle vracejí, což prospívá AI jako celku.

Dnešní neuronové síti předložíte tisíc nebo sto tisíc vstupních kombinací a řeknete, jak je má vyhodnotit. Pak ji necháte být a ona bude vyhodnocovat sama. Včetně takových kombinací, s nimiž se nikdy nesetkala, ale nějak se podobají těm známým. Občas se splete; když ji na chybu upozorníte, zmoudří o tuto zkušenost. Neuronové sítě se dnes běžně používají třeba při rozpoznávání hlasu a porozumění mluvené řeči anebo při rozpoznávání vizuální informace.

Zásadní inspiraci přinesla robotika. Autonomní roboti potřebují především orientaci v prostředí, tedy něco, v čem počítače tradičně nejsou příliš dobré. Kromě velké výzvy šlo také o velký přínos – ne nadarmo už od samých začátků AI někteří vědci upozorňovali, že inteligencí nemůže disponovat mozek bez těla, bez smyslů, bez rukou a nohou, bez praktických úkolů k řešení.

Dnes to paradoxně vypadá, že umělé inteligence je kolem nás méně, než kolik jí skutečně je, protože mnohé její výsledky se rutinně používají a říká se jim už dávno jinak. Velká část metod z oblasti dolování dat (data mining) má původ v umělé inteligenci. Oblast genetických algoritmů a autonomních softwarových agentů se také už často neztotožňuje s AI, přestože tam rozhodně patří. Robotika je samostatným oborem s mnoha podobory. A zatím vůbec nejúspěšnější komerční aplikací AI jsou počítačové hry, v nichž umělá inteligence odpovídá za chování všech nehráčských postav a entit.