Тогда как «чистюли» предпочитали тщательно разработанные и математически выверенные методы, «грязнули» заявляли, что такие методы работают лишь в искусственно созданном мире. Если вы пытаетесь создать робота, который может передвигаться и понимать свой мир, то предположение, что окружающая действительность идеальна, приведет к провалу. Родни Брукс, основатель компании iRobot и создатель роботов-пылесосов iRoomba, резюмировал свою критику в оригинальной статье под названием «Слоны не играют в шахматы». В ней он утверждал, что ориентация ИИ на логические игры не имеет ничего общего с разумным поведением в реальном мире. Умение хорошо играть в шахматы не поможет вам ходить, избегать препятствий или справляться с постоянно меняющимися условиями нашей действительности. Робот не должен строить логические внутренние модели, состоящие из символов, составлять план, манипулируя и производя поиск этих символов, а затем использовать результат для корректировки своего поведения. Вместо этого, чтобы достигнуть успехов в практическом роботостроении, нам следует разрабатывать «приземленный» ИИ.

Брукс – практик, и после многолетнего опыта создания роботов он нашел другой подход. Он считает, что мир – это лучшая модель, поэтому мы должны позволить ему напрямую влиять на поведение робота без каких-либо символов – мы должны связать восприятие с действием.

Эту идею впервые исследовал Грей Уолтер с его роботами-черепахами, как вы помните из первой главы. Брукс назвал свой подход «предикативной архитектурой». В соответствии с ним поведением робота управляет ряд простых модулей, каждый из которых прерывает другого, если его потребности становятся первоочередными. К примеру, один робот отвечает за перемещение робота к цели, другой – за преодоление препятствий. Первый будет иметь приоритет, пока не возникнет что-то неожиданное и второй модуль не перехватит контроль. Брукс представлял поведение, используя системы с конечным числом состояний.

Конечные автоматы – это типичный вариант архитектуры «мозга» роботов. Они работают, определяя последовательность состояний, в которых может находиться робот. Например, у очень простого робота может быть три состояния: случайное движение, движение вперед и поворот. Он может переходить из одного состояния в другое, получая определенные сигналы. Поэтому каждый раз, когда робот определяет цель, он переключается в состояние движения вперед (или поддерживает его). Если же робот обнаруживает впереди препятствие, он переключается в состояние поворота (или поддерживает его). Если ничего не происходит, он переключается в состояние случайного движения (или поддерживает его, см. схему). Это задает простую архитектуру, в которой робот случайным образом движется, избегая препятствий, пока не найдет цель. Если добавить дополнительные конечные автоматы, подключенные к одним и тем же датчикам и исполнительным механизмам, и дать некоторым из них приоритет над другими в зависимости от сигналов с датчиков и состояний, можно получить предикативную архитектуру.

Брукс объяснял это так: «Если я пытаюсь быстро добраться куда-то, я не думаю о том, куда поставить ноги. За движение моих ног отвечает другой уровень [сознания]. Отдельные процессы идут параллельно. Это идея, основанная на поведенческом подходе». Шестиногий робот Брукса по имени Genghis использовал 57 объединенных автоматов.

Этот подход привел к легкому и быстрому запуску ИИ, который позволял роботам делать больше, чем когда-либо прежде, используя при этом меньше вычислений. Брукс продемонстрировал эффективность своего подхода с помощью многочисленных проектов (и компаний), в рамках которых впервые было разработано множество различных типов роботов, в том числе марсоход Sojourner («Странник»).

По большому счету предикативная архитектура была получена путем упрощения комбинации конечных автоматов до поведенческих деревьев (довольно элегантный способ представления одних и тех же понятий). Их использовали в индустрии компьютерных игр, чтобы управлять поведением «виртуальных роботов» – пришельцев, монстров и других персонажей, что бросают нам вызов. Unity и Unreal – две крупнейшие программные платформы (так называемые игровые движки), на основе которых создано две трети компьютерных игр по состоянию на 2019 год. Обе используют поведенческие деревья.

Легкие сверхбыстрые модули управления, которые объединяют восприятие и действие и при необходимости активизируются, легли в основу практического роботостроения. Компания Boston Dynamics показала ряд замечательных примеров того, насколько эффективным может быть такой тип управления, особенно в сочетании с более упругими элементами в приводах (частях робота, обуславливающих движение), имитирующими движение мышц. Собаки-роботы и двуногие модели Boston Dynamics способны противостоять ударам и при этом сохранять равновесие благодаря умным системам управления (которые сочетаются также с другими технологиями ИИ, такими как планировщики и оптимизаторы).