Генетические алгоритмы использовались для широкого спектра разнообразных приложений: от планирования рабочих мест на фабриках до оптимизации инженерных проектов. Эти алгоритмы также – один из постоянно развивающихся методов оптимизации ИИ, вдохновленных природой. Алгоритм муравьиной колонии определяет оптимальный маршрут для водителей службы доставки подобно тому, как муравьи учатся находить кратчайший путь между едой и своим домом. Алгоритм пчелиного роя заставляет виртуальные частицы «летать вокруг», как рой пчел, ищущих цветы, в поисках наилучшего решения. Искусственные иммунные системы имитируют поведение человеческой иммунной системы, они могут обнаруживать компьютерные вирусы и даже контролировать роботов. Более того, исследователи заставляют компьютеры программировать самих себя за счет эволюции их собственного кода (или отладки кода), используя генетическое программирование.

Алгоритмы, основанные на поиске, являются отдельной ветвью ИИ. Поиск – это умопомрачительный трюк, который любят проворачивать ученые. Как вы помните из предыдущей главы, можно представить пространство возможностей. При поиске решения общей проблемы область поиска может быть больше похожа на трехмерное пространство, в котором мы перемещаемся, то есть иметь измерения x, y и z. Подобно тому, как ветвь дерева соответствует выбору, каждая точка в области поиска – потенциальное решение проблемы.

Так, точка (2, 3, 4) является решением с переменными x = 2, y = 3, z = 4. Изучая эту область поиска и пробуя различные потенциальные решения, можно найти лучшее из них. Большинство вдохновленных природой алгоритмов оптимизации представляют собой параллельный поиск: когда оптимальное решение ищут несколько источников одновременно. Возможно, «поиск в трехмерном пространстве» звучит не так уж сложно, однако с помощью алгоритмов оптимизации поиск проводят и в пространствах с сотнями измерений, и качество решения может быть неопределенным или изменчивым во времени. Или же и вовсе существует несколько подходящих решений. Иногда такие алгоритмы даже определяют размерность пространства, добавляя или удаляя параметры: если не удается найти решение в 40 измерениях (есть 40 значений параметра, определяющих его), возможно, получится в 50.

Если подумать, любой интеллект основывается на идее улучшения. Когда мы пытаемся чему-то научиться, мы продолжаем практиковаться, пока не станем достаточно искусны в этом. Когда мы пытаемся создать хорошего робота, мы продолжаем совершенствовать его конструкцию, чтобы он работал все лучше и лучше. И для нашего технологического мира, от проектирования до производства, от маркетинга до дистрибуции, поиск лучших решений – это благо. Если существует более надежное, более популярное, более эффективное и при этом менее затратное решение, мы хотим его найти.

ИИ и поиск всегда шли рука об руку. Как вы помните из второй главы, поиск был наиболее распространенным способом, которым принимали решения символические ИИ. Аналогичным образом исследователи используют поиск в алгоритмах. Он применяется и на гораздо более сложных этапах – даже при проектировании мозга роботов. Вдохновленные идеями Брукса о том, как можно связать восприятие с действием (см. главу 3), большинство исследователей в области эволюционной робототехники используют несимволический мозг для своих роботов. Строительные блоки для него могут быть сделаны из подобия нейронов, конечных автоматов, наборов правил или математических формул, а в качестве клея для этих строительных блоков, для соединения их с сенсорами и эффекторами, чтобы роботы могли выполнять реальные задачи, применяют поиск.

Дарио Флореано – один из немногих пионеров в этой области. Он заставил эволюционировать схему из моделей нейронов, чтобы мозги у его роботов создавались автоматически. И принялся развивать эти мозги, пытаясь научить роботов ориентироваться в лабиринте или отслеживать свое местоположение, а также возвращаться и заряжаться как раз перед тем, как батареи разрядятся. Но Флореано не просто заставляет мозги развиваться – он хочет знать, как они работают. Поэтому он вскрывает их и исследует отдельные нейроны, чтобы увидеть, какие из них активируются при определенном поведении. Даже если информация закодирована в таинственной сети нейронов, в компьютере, в отличие от биологических организмов, мы можем исследовать все до мельчайших деталей и пронаблюдать, как искусственный мозг думает, видя каждый нейрон и то, что он делает, когда робот демонстрирует различное поведение.

Флореано исследовал большое количество развитых мозгов роботов и строит тела роботов, вдохновляясь живыми организмами, включая как ходящих, так и прыгающих, как блохи. Но его специальность – летающие роботы. Флореано разработал мозги для дирижаблей, дронов и других летающих механизмов. У него также есть две компании по производству дронов: senseFly и Flyability, которые предоставляют роботов для наблюдения и научных изысканий.

Некоторые исследователи используют поиск не только при создании мозгов роботов – с его помощью они совершенствуют также тела роботов. Один из наиболее ярких примеров – работа Хода Липсона и Джордана Поллака. Они воспроизвели идеи Карла Симса и создали странных виртуальных существ, способных перемещаться в виртуальном мире. Но затем эти изобретательные ученые использовали 3D-принтер и сделали виртуальность реальностью. Были разработаны и построены эти причудливо выглядящие роботы. Они передвигались так же, как их виртуальные версии. И это оказалось ловким трюком, учитывая что большинство исследователей обнаружили «разрыв с реальностью» (разрыв между виртуальным и реальным миром): мозг и тело, которые могли работать идеально в симуляции, переставали функционировать в более непредсказуемой действительности.