Исследования на переднем крае НРР связаны с программами перевода, упомянутыми выше. Эти новые программы не просто осуществляют перевод путем «грубого поиска и сравнения», а способны к непрерывному распознаванию речи с использованием полного словаря, переводу на другие языки и синтезу речи с высокой степенью точности. Это означает, что человек может говорить по-английски, например в «телефон» (или микрофон, связанный с компьютером); английская речь переводится в текст; текст переводится на другой язык, например французский; синтезируется речь на втором языке; и в результате мы получаем устную версию переведенного сообщения. Эта удивительно практичная программа уже находится на стадии экспериментальной проверки (см. Kurzweil, 1999), и коммерческий продукт, как ожидается, появится на рынке в начале этого десятилетия.

В процессе разумного общения с человеком NETtalk и CSR используют знания о мире, и то же самое делают другие программы, в спектр деятельности которых включены те или иные формы человеческого понимания. Среди наиболее известных и наиболее спорных — программа понимания языка, разработанная в Йельском университете Роджером Шенком. Разработки Шенка преследовали несколько целей, включая создание программы, способной понимать письменный текст, кратко излагать его суть, переводить его на другой язык и отвечать на вопросы по его содержанию. Шенк и его коллеги скоро обнаружили, что люди понимают гораздо больше, чем просто ряды слов естественного языка. Он иллюстрирует этот момент следующим рассказом: «Джон пошел в ресторан. Он заказал сэндвич. Официант принес его быстро, поэтому он дал ему большие чаевые». Вопрос: съел ли Джон сэндвич? Заплатил ли он за него?

Когда я говорю вам: «Я был в Венеции прошлым летом», — вы можете, в свою очередь, задать мне много вопросов более или менее по существу: потратил ли я сколько-то денег? Летел ли я самолетом? Или плыл на корабле? Говорил ли я с кем-нибудь? Заходил ли я в ресторан? Видел ли я других людей в Венеции? Говорят ли они по-итальянски? Носят ли они одежду? Есть ли у них ногти? Сколько? Чтобы «разумная» машина понимала язык, она должна уметь при обработке языка делать разумные выводы, как это делают обычные люди. Основная идея Шенка близка принципу обработки «сверху вниз», подробно обсуждающемуся в этой книге.

Одной из трудностей, с которой исследователь столкнулся при разработке программы обработки языка, была неоднозначность естественных языков. Шенк (Schank, 1981) приводит следующий пример:

Чтобы правильно проанализировать эти предложения, нужно знать гораздо больше, чем просто синтаксические и семантические правила. Читатель должен что-то знать о том, где может находиться человек, а также владеть другой концептуальной информацией о человеческом поведении и общей информацией о мире.

Литература по решению задач и играм в рамках ИИ, возможно, более обширна, чем по любому другому психологическому вопросу. Одна из причин, почему многие специалисты по ИИ интересуются решением задач, состоит в том, что этот термин, грубо говоря, синонимичен мышлению, которое в своем наиболее сложном виде является исключительно атрибутом человека. Этот факт, а также то, что машины с ИИ способны выполнять процедуры решения задач, привели к бурному развитию методов и теории в этой области.

Вычисления были одним из первых примеров использования машин для решения задач. В 1642 году Паскаль (тогда ему было 19 лет) продемонстрировал, что при помощи изобретенного им механического вычислителя некоторые математические задачи можно решить точнее и быстрее, чем это делают люди вручную. В контексте современного ИИ решение задач означает гораздо больше, чем механические вычисления; оно охватывает широкий диапазон от решения сложных головоломок до доказательства теорем, заучивания успешных операций и различных игр.

Легко спроектировать компьютер, который может решить определенную задачу. Однако написать программу, которая достаточно универсальна, чтобы решать различные задачи, довольно трудно. А создание программы, способной адаптироваться и научиться решать совершенно разные задачи, пока невозможно. Но цель многих современных специалистов в области искусственного интеллекта состоит в том, чтобы спроектировать обучающуюся программу, которая будет решать задачи. На элементарном уровне такие самообучающиеся программы могли бы научиться определять, какие клиенты будут благонадежными пользователями кредитных карточек, а с какими лучше не связываться (см. рис. 16.9). На более продвинутом уровне находятся программы компьютерного зрения, над созданием которых работает Абу-Мустафа (Abu-Mostafa, 1995); они предназначены для опознавания объектов даже в случаях, когда объект-мишень изменяет направление или ориентацию.

Рис. 16.9. Обучение машины включает наладку внутренних параметров системы, при которой устанавливаются связи между входными данными и желаемым результатом. Например, система, дающая санкцию на предоставление кредита, обучалась бы связывать личные данные претендентов с их репутацией как должников. В действительности в процессе обучения «настраиваются шкалы», пока машина не сможет повторять отношения ввода-вывода в пробных примерах

Как учатся машины? Логический ответ — на основе «опыта», но, конечно, это почти ничего не говорит нам о механизмах, которые изменяют работу компьютера. Многие специалисты в области искусственного интеллекта подходят к решению этой проблемы с математической точки зрения, в рамках которой поведение машины рассматривается как функция, связывающая входные величины (например, характер решаемой задачи) с соответствующими выходными величинами (действия или решения). Один из способов решить эту задачу — рассматривать обучение машины просто как «поиск правильного положения ручек управления». Некоторые программы учатся, изучая примеры, как в случае задачи, приведенной на рис. 16.10.

Рис. 16.10. Вы можете решить эту задачу? Эти объекты были рассортированы на два класса, на что указывают серые или черные рамки. По какому признаку они различаются? Компьютеры, запрограммированные обучаться на примерах, часто сталкиваются с подобными загадками. Использование машиной подсказок делает обучение более быстрым и легким. Подсказку, которая поможет решить эту задачу, см. на рис. 16.11

Прервитесь на минуту, чтобы увидеть, сможете ли вы найти признак, который отличает один класс объектов от другого. Обратите внимание на то, что ваше решение, связанное с формированием понятия, может сосредоточиться на смысловых отношениях, но как тогда связаны старинный штопор, часы и кролик Банки? Это трудная задача, и все же вы, как и компьютер, испытаете озарение, когда увидите подсказку на рис. 16.11.