ИИ

Возможно ли создать искусственный интеллект? Будет ли он способен к полноценному мышлению и творчеству? Кем предстоит ему стать — помощником или соперником человеческого разума? Эти вопросы давно уже обсуждаются многими учеными.

Искусственный интеллект можно определить как свойство ЭВМ или сети нейроноподобных элементов реагировать на информацию, поступающую на ее входные устройства, почти так же, как реагирует в тех же информационных условиях человек. Машина и моделируемый человек одинаково по своим результатам распознают образы и ситуации, решают логические и другие задачи, принимают одни и те же решения в конфликтных ситуациях, то есть, кратко говоря, демонстрируют одинаковые результаты мышления. Если машина имеет достаточный набор гибких выходных органов, то машина и человек совершают одинаковые движения, что в целом приводит к одинаковым результатам в поведении. В идеальном случае эмоциональная окраска результатов мышления и поведения у машины-модели и человека — объекта моделирования — также должна быть одинаковой.

Часть I. Искусственный интеллект

Глава 1. Введение

Тест Тьюринга
Как мыслить по-человечески: подход, основанный на когнитивном моделировании
Как мыслить рационально: подход, основанный на использовании законов мышления
Как мыслить рационально: подход, основанный на использовании рационального агента

1.2 Предыстория искусственного интеллекта

Философия (период с 428 года до н.э. по настоящее время)
Математика (период примерно с 800 года по настоящее время)
Экономика (период с 1776 года по настоящее время)
Неврология (период с 1861 года по настоящее время)
Психология (период с 1879 года по настоящее время)
Вычислительная техника (период с 1940 года по настоящее время)
Теория управления и кибернетика (период с 1948 года по настоящее время)
Лингвистика (период с 1957 года по настоящее время)

Появление предпосылок искусственного интеллекта (период с 1943 года по 1955 год)
Рождение искусственного интеллекта (1956 год)
Ранний энтузиазм, большие ожидания (период с 1952 года по 1969 год)
Столкновение с реальностью (период с 1966 года по 1973 год)
Системы, основанные на знаниях: могут ли они стать ключом к успеху (период с 1969 года по 1979 год)
Превращение искусственного интеллекта в индустрию (период с 1980 года по настоящее время)
Возвращение к нейронным сетям (период с 1986 года по настоящее время)
Превращение искусственного интеллекта в науку (период с 1987 года по настоящее время)
Появление подхода, основанного на использовании интеллектуальных агентов

Глава 2. Интеллектуальные агенты

Показатели производительности
Рациональность
Всезнание, обучение и автономность

Определение проблемной среды
Свойства проблемной среды

Программы агентов
Простые рефлексные агенты
Рефлексные агенты, основанные на модели
Агенты, основанные на цели
Агенты, основанные на полезности
Обучающиеся агенты

Часть II. Решение проблем

Глава 3. Решение проблем посредством поиска

Хорошо структурированные задачи и решения
Формулировка задачи

Упрощенные задачи
Реальные задачи

Измерение производительности решения задачи

Поиск в ширину
Поиск в глубину
Поиск с ограничением глубины
Поиск в глубину с итеративным углублением
Двунаправленный поиск
Сравнение стратегий неинформированного поиска

Проблемы отсутствия датчиков
Проблемы непредвиденных ситуаций

Глава 4. Информированный поиск и исследование пространства состояний

Жадный поиск по первому наилучшему совпадению
Поиск А*: минимизация суммарной оценки стоимости решения
Эвристический поиск с ограничением объема памяти
Обучение лучшим способам поиска

Зависимость производительности поиска от точности эвристической функции
Составление допустимых эвристических функций

Алгоритмы локального поиска и задачи оптимизации
Поиск с восхождением к вершине
Поиск с эмуляцией отжига
Локальный лучевой поиск
Генетические алгоритмы

Задачи поиска в оперативном режиме
Агенты, выполняющие поиск в оперативном режиме
Локальный поиск в оперативном режиме
Обучение в ходе поиска в оперативном режиме

Глава 5. Задачи удовлетворения ограничений

Упорядочение переменных и значений
Распространение информации с помощью ограничений
Интеллектуальный поиск с возвратами: поиск в обратном направлении

Глава 6. Поиск в условиях противодействия

Оптимальные стратегии
Минимаксный алгоритм
Оптимальные решения в играх с несколькими игроками

Функции оценки
Прекращение поиска

Оценка позиции в играх с узлами жеребьевки
Сложность оценки ожидаемых минимаксных значений
Карточные игры

Часть III. Знания и рассуждения

Глава 7. Логические агенты

Синтаксис
Семантика
Простая база знаний
Логический вывод
Эквивалентность, допустимость и выполнимость

Резолюция
Прямой и обратный логический вывод

Полный алгоритм поиска с возвратами
Алгоритмы локального поиска
Трудные задачи определения выполнимости

Поиск ям и вампусов с помощью логического вывода
Слежение за местонахождением и ориентацией
Агенты на основе логических схем
Сопоставление двух описанных типов агентов

Глава 8. Логика первого порядка

Модели для логики первого порядка
Символы и интерпретации
Термы
Атомарные высказывания
Сложные высказывания
Кванторы
Равенство

Утверждения и запросы в логике первого порядка
Проблемная область родства
Числа, множества и списки
Мир вампуса

Процесс инженерии знаний
Проблемная область электронных схем

Глава 9. Логический вывод в логике первого порядка

Правила логического вывода для кванторов
Приведение к пропозициональному логическому выводу

Правило вывода в логике первого порядка
Унификация
Хранение и выборка

Определенные выражения в логике первого порядка
Простой алгоритм прямого логического вывода
Эффективный прямой логический вывод

Алгоритм обратного логического вывода
Логическое программирование
Эффективная реализация логических программ
Избыточный логический вывод и бесконечные циклы
Логическое программирование в ограничениях

Конъюнктивная нормальная форма для логики первого порядка
Правило логического вывода с помощью резолюции
Примеры доказательств
Полнота резолюции
Учет отношения равенства
Стратегии резолюции
Средства автоматического доказательства теорем

Глава 10. Представление знаний

Физическая композиция
Меры
Вещества и объекты

Онтология ситуационного исчисления
Описание действий в ситуационном исчислении
Решение проблемы представительного окружения
Решение проблемы выводимого окружения
Исчисление времени и событий
Обобщенные события
Процессы
Интервалы
Флюентные высказывания и объекты

Формальная теория убеждений
Знания и убеждения
Знания, время и действия

Сравнение коммерческих предложений

Семантические сети
Описательные логики

Открытые и закрытые миры
Отрицание как недостижение цели и устойчивая семантика модели
Логика косвенного описания и логика умолчания

Часть IV. Планирование

Глава 11. Основы планирования

Язык задач планирования
Выразительность и расширения языка
Пример: воздушный грузовой транспорт
Пример: задача с запасным колесом
Пример: мир блоков

Прямой поиск в пространстве состояний
Обратный поиск в пространстве состояний
Эвристики для поиска в пространстве состояний
Планирование с частичным упорядочением

Планирование с частичным упорядочением и несвязанными переменными
Эвристики для планирования с частичным упорядочением

Применение графов планирования для получения эвристической оценки
Алгоритм Graphplan
Завершение работы алгоритма Graphplan

Описание задач планирования в пропозициональной логике
Сложности, связанные с использованием пропозициональных

Глава 12. Планирование и осуществление действий в реальном мире

Составление расписаний с ресурсными ограничениями

Представление декомпозиций действий
Модификация планировщика для его использования
Обсуждение вопроса

Условное планирование в полностью наблюдаемых вариантах среды
Условное планирование в частично наблюдаемых вариантах среды

Кооперация: совместные цели и планы
Многотельное планирование
Механизмы координации
Конкуренция

Часть V. Неопределенные знания и рассуждения в условиях неопределенности

Глава 13. Неопределенность

Учет наличия неопределенных знаний
Неопределенность и рациональные решения
Проект агента, действующего в соответствии с теорией решений

Высказывания
Атомарные события
Априорная вероятность
Условная вероятность

Использование аксиом вероятностей
Теоретическое обоснование аксиом вероятностей

Применение правила Байеса: простой случай
Использование правила Байеса: комбинирование свидетельств

Глава 14. Вероятностные рассуждения

Представление полного совместного распределения
Отношения условной независимости в байесовских сетях

Вероятностный вывод с помощью перебора
Алгоритм устранения переменной
Сложность точного вероятностного вывода
Алгоритмы кластеризации

Методы непосредственной выборки
Вероятностный вывод по методу моделирования цепи Маркова

Методы на основе правил для формирования рассуждений в условиях неопределенности
Представление незнания: теория Демпстера-Шефера
Представление неосведомленности: нечеткие множества и нечеткая логика

Глава 15. Вероятностные рассуждения во времени

Состояния и наблюдения
Стационарные процессы и марковское предположение

Фильтрация и предсказание
Сглаживание
Поиск наиболее вероятной последовательности

Упрощенные матричные алгоритмы

Обновление гауссовых распределений
Простой одномерный пример
Общий случай
Области применения калмановской фильтрации

Процедура создания сетей DBN
Точный вероятностный вывод в сетях DBN
Приближенный вероятностный вывод в сетях DBN

Звуки речи
Слова
Предложения
Разработка устройства распознавания речи

Глава 16. Принятие простых решений

Ограничения, налагаемые на рациональные предпочтения
В начале была Полезность

Полезность денег
Шкалы полезности и оценка полезности

Доминирование
Структура предпочтений и многоатрибутная полезность

Способы представления задачи принятия решений с помощью сети принятия решений
Вычисления с помощью сетей принятия решений

Простой пример
Общая формула
Свойства показателей стоимости информации
Реализация агента, действующего на основе сбора информации

Глава 17. Принятие сложных решений

Оптимальность в задачах последовательного принятия решений

Полезности состояний
Алгоритм итерации по значениям
Сходимость итерации по значениям

Часть VI. Обучение

Глава 18. Обучение на основе наблюдений

Деревья решений, рассматриваемые как производительные элементы
Выразительность деревьев решений
Индуктивный вывод деревьев решений на основе примеров
Выбор проверок атрибутов
Оценка производительности обучающего алгоритма
Шум и чрезмерно тщательная подгонка
Расширение области применения деревьев решений

Оценка количества необходимых примеров
Обучение списков решений
Обсуждение полученных результатов

Глава 19. Применение знаний в обучении

Примеры и гипотезы
Поиск текущей наилучшей гипотезы
Поиск на основе оценки наименьшего вклада

Некоторые простые примеры
Некоторые общие схемы

Извлечение общих правил из примеров
Повышение эффективности правила

Определение пространства гипотез
Обучение и использование информации о релевантности

Практический пример
Нисходящие методы индуктивного обучения
Индуктивное обучение с помощью обратной дедукции
Совершение открытий с помощью индуктивного логического программирования

Глава 20. Статистические методы обучения

Обучение параметрам с помощью метода максимального правдоподобия: дискретные модели
Наивные байесовские модели
Обучение параметрам с максимальным правдоподобием: непрерывные модели
Обучение байесовским параметрам
Определение путем обучения структур байесовских сетей

Неконтролируемая кластеризация: определение в процессе обучения смешанных гауссовых распределений
Обучение байесовских сетей со скрытыми переменными
Обучение скрытых марковских моделей
Общая форма алгоритма ЕМ
Определение с помощью обучения структур байесовских сетей со скрытыми переменными

Модели ближайшего соседа
Ядерные модели

Элементы в нейронных сетях
Структуры сетей
Однослойные нейронные сети с прямым распространением (персептроны)
Многослойные нейронные сети с прямым распространением
Определение в процессе обучения структур нейронных сетей

Глава 21. Обучение с подкреплением

Непосредственная оценка полезности
Адаптивное динамическое программирование
Обучение с учетом временной разницы

Исследование среды
Определение функции "действие—стоимость" с помощью обучения

Приложения методов обучения к ведению игр
Применение к управлению роботами

Часть VII. Общение, восприятие и осуществление действий

Глава 22. Общение

Основные понятия языка
Составные этапы общения

Словарь языка
Грамматика языка

Эффективный синтаксический анализ

Субкатегоризация глагола
Порождающая мощь расширенных грамматик

Семантика небольшой части английского языка
Время события и времена глаголов
Введение кванторов
Прагматическая интерпретация
Применение грамматик DCG для производства языковых конструкций

Устранение неоднозначности

Разрешение ссылок
Структура связной речи

Глава 23. Вероятностная обработка лингвистической информации

Вероятностные контекстно-свободные грамматики
Определение с помощью обучения вероятностей для грамматики PCFG
Определение с помощью обучения структуры правил для грамматики PCFG

Сравнительный анализ систем информационного поиска
Совершенствование информационного поиска
Способы представления результирующих наборов
Создание систем информационного поиска

Системы машинного перевода
Статистический машинный перевод
Определение с помощью обучения вероятностей для машинного перевода

Глава 24. Восприятие

Получение изображения без линз — камера-обскура
Системы линз
Свет: фотометрия формирования изображения
Цвет — спектрофотометрия формирования изображения

Обнаружение краев
Сегментация изображения

Движение
Бинокулярные стереоданные
Градиенты текстуры
Затенение
Контуры

Распознавание с учетом яркости
Распознавание с учетом характеристик
Оценка позы

Глава 25. Робототехника

Датчики
Исполнительные механизмы

Локализация
Составление карты
Другие типы восприятия

Пространство конфигураций
Методы декомпозиции ячеек
Методы скелетирования

Надежные методы

Динамика и управление
Управление на основе поля потенциалов
Реактивное управление

Обобщающая архитектура
Трехуровневая архитектура
Робототехнические языки программирования

Часть VIII. Заключение

Глава 26. Философские основания

Довод, исходящий из неспособности
Возражения, основанные на принципах математики
Довод, исходящий из неформализуемости

Проблема разума и тела
Эксперимент "мозг в колбе"
Эксперимент с протезом мозга
Китайская комната

Глава 27. Настоящее и будущее искусственного интеллекта

Приложение А. Математические основы

Асимптотический анализ
Изначально сложные и недетерминированные полиномиальные задачи

Приложение Б. Общие сведения о языках и алгоритмах

Литература