Растригин. С компьютером наедине. 1990

ТРУДНОСТЬ ПЯТАЯ

Это так называемая "прагматическая неоднозначность", вызванная незнанием общеизвестных фактов. Например, переводя фразу "Она уронила карандаш на стол и сломала его", компьютер должен решить, что сломалось карандаш или стол. Ни сама фраза, ни контекст не помогут ему разрешить эту задачу. Для этого компьютер должен знать, что карандашом нельзя сломать стол. Другой пример. Фразу "Каша готова к обеду" люди понимают однозначно. Но компьютеру для этого нужно знать, что каша не живое существо, а еда. Для нас, предложение "Он стоял за забором в темной шляпе" не является двусмысленным: мы знаем, что заборы не носят шляп. Именно это должен знать компьютер для правильного понимания.

Как много мы должны заложить в память компьютера из того, что сами считаем само собой разумеющимся? Эти "знания" даже знаниями называть как-то неудобно. Но тем не менее это знания о нашем мире, и компьютер должен иметь эти знания, чтобы правильно понимать нас. Дело в том, что мы, люди, понимаем друг друга не только потому, что говорим на одном языке, но и потому, что живем в одном мире. А для того, чтобы компьютер (он не живет в нашем мире) понимал нас так же хорошо, как мы друг друга, нужно в его памяти построить модель нашего мира, т.е. сделать компьютер... человеком (пусть пока в нечеловеческом обличий). Эту гигантскую по своей сложности и трудоемкости задачу едва ли удастся решить в ближайшем будущем. А пока? Неужели нет способов преодолеть такого рода трудности при общении с компьютером на естественном языке?

Именно здесь огромную роль играет диалог человека с компьютером, в процессе которого устраняется моногозначное толкование смысла фраз естественного языка. И очень может быть, что диалог как форма решения трудных задач останется еще надолго, а может быть, и навсегда (здесь под словом "трудный" подразумевается "неразрешимый формально").

КАК КОМПЬЮТЕР ПЕРЕВОДИТ

Проблема перевода с одного языка на другой всегда была, остается и, по-видимому, еще долго будет актуальной проблемой современного общества с его огромными потоками разноязычной информации. И дело здесь вовсе не в трудностях перевода художественных произведений - с ними должен справляться человек-переводчик (хотя компьютер и сейчас может помочь ему отыскивать синонимы, антонимы, фразеологические обороты и другие подобные справочные данные). Основная трудность в организации оперативного перевода научно-технической информации, мощные потоки которой поступают из-за границы и нуждаются в быстром осмысливании инженерами, научными работниками, администраторами. Здесь очень важно сохранить смысл текста (возможно, в ущерб стилю и выразительности).

А так как компьютер сейчас самостоятельно не может справиться с этой задачей из-за трудностей, рассмотренных выше, то приходится обращаться к человеку (даже к двум) - предварительному и окончательному редакторам.

На первой стадии текст вводится в память компьютера. Далее предварительный редактор просматривает этот текст на экране дисплея, обрабатывает его так, чтобы он был пригодным для машинного перевода - устраняет те самые трудности многозначности, которые мешают компьютеру однозначно перевести текст. Так, многозначное слово сопровождается его пояснением, например фразу "Дайте мне лук" он дополнит в скобках словом "овощ" или "оружие", которое позволит компьютеру сразу сделать адекватный перевод. Фразу "Она уронила карандаш на стол и сломала его" он дополнит пояснением "(карандаш)", а фразу "Каша готова к обеду" достаточно дополнить замечанием "(сварилась)", чтобы устранить двусмысленность. Неоднозначность понимания текста можно устранить, введя специальные знаки пунктуации. Например, слова "старые мужчины и женщины" достаточно разделить скобками "[старые мужчины] и женщины", чтобы дать понять компьютеру, что речь идет лишь о старых мужчинах. Размеченный таким образом текст поступает на машинный перевод, результат которого просматривает окончательный редактор. Он устраняет грубые ошибки перевода и "приглаживает" полученный текст.

Такова наиболее распространенная и продуктивная схема компьютерного перевода с одного языка на другой. Любопытно, что в этой схеме оба редактора не обязаны быть переводчиками. Предварительному редактору достаточно лишь знать язык первоисточника, а окончательному - лишь тот язык, на который происходит перевод. Особенно удобен этот способ при переводе текста на несколько языков, так как предварительное редактирование при этом производится однократно.

КАК КОМПЬЮТЕР ПОНИМАЕТ

Пусть все трудности, связанные с многозначностью естественного языка, преодолены. И тем не менее компьютеру остается преодолеть последнюю и основную трудность - понять, что именно сообщил ему пользователь. Эту трудность компьютер преодолевает за несколько этапов. Рассмотрим их.

Первым этапом является введение информации в компьютер. Если это делается с пульта дисплея, то никаких трудностей на этом этапе компьютер не испытывает. Действительно, текст, который предстоит ему понять, побуквенно вводится в память компьютера, и он сразу приступает к следующему этапу. Но если информация вводится голосом, то компьютеру предстоит еще преобразовать произнесенные слова в текст. Сначала для этого нужно ввести речь в память компьютера. Это осуществляется путем преобразования изменяющегося тока микрофона в последовательность чисел, которые и запоминает компьютер. Такого рода "оцифровку" производит аналого-цифровой преобразователь (АЦП), который преобразует непрерывное (аналоговое) значение тока микрофона в последовательность чисел, определяющих значения этого тока, измеренные через малые промежутки времени (например, через одну тысячную долю секунды). Так, каждое слово кодируется примерно 1000 числами. Эти числа несут всю необходимую информацию о смысле того, что сказал пользователь компьютеру. Для выявления этого смысла прежде всего следует набор полученных чисел (это запись речи) преобразовать в текст.

Задачу преобразования речи в текст выполняет фонетический анализатор. Это компьютерная программа преобразования чисел речи в буквы, слова и предложения текста. Такой анализатор должен решить ряд собственных задач; некоторые из них очень сложные. Например, задача разбиения произнесенной фразы на составляющие ее слова. Дело в том, что мы произносим слова без интервалов, слитно, и только знание этих слов позволяет слушателю понимать такую речь. Но компьютеру, чтобы узнать слова, из которых состоит фраза, нужно их сначала иметь. Иначе он не сможет воспользоваться словарем, в котором имеются значения этих слов. Получается порочный круг. Чтобы разбить слитную речь на слова, нужно знать эти слова, иметь ее уже в разделенном виде. Иначе, чтобы решить задачу, надо ее решить.

Эту трудность преодолевают очень громоздким образом - разбивают слитную фразу на отдельные слова каким-то приблизительным образом и проверяют, есть ли такие слова в словаре. И так до тех пор, пока не получится такое разделение на слова, которое будет впоследствии осмыслено.

Но тут встает другая, не менее сложная проблема "осмысливания" компьютером слов, произнесенных человеком. Ведь мы говорим совсем не так, как пишем. А компьютеру приходится искать в своем словаре слова, которых там нет, например "карову", "сонце", а так как все мы произносим слова по-разному, то можно представить, какую сложную задачу приходится решать фонетическому анализатору.

Заметим, что мечта о таком анализаторе уже давно отразилась в легенде о фонетической пишущей машинке, которая могла бы печатать произносимый голосом текст. Выпускаемые и широко рекламируемые "голосовые пишущие машинки" позволяют фиксировать на бумаге только четко и внятно произносимые слова. Это автоматы для фонетического письма, которые пишут так, как говорится. Такое письмо нельзя показать никому: оно выглядит ужасно. Требуется тщательное редактирование, которое, как показывает опыт, занимает не меньше времени, чем написание текста "старым способом", вручную. Основная трудность, которую необходимо преодолеть для создания качественной фонетической пишущей машинки,- понимание компьютером произносимого текста. Поэтому пропустим стадию фонетического анализа и будем считать, что письменный текст не слитный и грамматически (точнее, морфологически) правильно записан в память компьютера. Причем многозначности в нем нет, она устранена на стадии предварительного редактирования текста.

Схема этапов решения задачи понимания компьютером и требуемая для этого информация показаны на рис.19.


Рис.19

Первым этапом, с которого начинается анализ текста, является ...

МОРФОЛОГИЧЕСКИЙ АНАЛИЗ

Это обработка слов, а точнее словоформ (так называют отрезок текста между двумя пробелами) текста как таковых, вне связи с контекстом. Каждому слову текста при морфологическом анализе ставится в соответствие морфологическая информация - это слово в единственном числе и именительном падеже, род и число слова и т.д. Например, словоформа "столов" будет иметь следующую морфологическую информацию: стол (это единственное число именительный падеж словоформы "столов"), существительное, мужской род, множественное число, родительный падеж, неодушевленное (отвечает на вопрос "что?"), нарицательное (в отличие от собственного имени).

Такой анализ можно осуществить декларативным и процедурным способом. При ДЕКЛАРАТИВНОМ способе реализации морфологического анализа заранее составляется словарь всех возможных словоформ каждого слова с приписанной им морфологической информацией. При этом весь морфологический анализ делается заранее и хранится в виде соответствующего словаря в памяти компьютера. Задача декларативного морфологического анализа состоит только в поиске и отыскании нужной словоформы в словаре с последующим извлечением морфологической информации этой словоформы. При имеющихся компьютерных средствах хранения и поиска информации (базы данных и информационно-поисковые системы) такой способ "работает" очень быстро.

Но декларативный способ имеет один существенный недостаток: он требует большой памяти, ведь количество словоформ у одного слова очень велико. Так, у существительного их 12 (6 падежей для единственного и столько же для множественного числа), у прилагательного 36 (6 падежей, 2 числа и 3 рода), а у глаголов до сотни, с учетом отглагольных форм (3 времени: настоящее и будущее изменяются по лицам и числам, прошедшее - по числам, в единственном - по родам, причем отглагольная форма - причастие - изменяется по родам, числам и падежам). Именно поэтому словарь словоформ даже в узкой предметной области очень велик и может не вместиться в память компьютера (особенно персонального). Именно это и заставляет обращаться к ПРОЦЕДУРНОМУ морфологическому анализу. Этот способ анализа действует в соответствии с правилами, которые мы изучали в 4-6 классах, когда учили морфологию русского языка. Эти правила легко формализуются и используются в процессе компьютерного морфологического анализа. Однако при этом почти всегда возникает многовариантность, которую необходимо преодолевать на следующих этапах. Например, словоформа "территории" относится к родительному, дательному, предложному падежам единственного числа и к именительному и винительному падежам множественного числа. Но если перед данной словоформой стоит предлог "на" (он требует предложного падежа), то из указанных возможных вариантов остается лишь один. За морфологическим следует...

СИНТАКСИЧЕСКИЙ АНАЛИЗ

Этот анализ позволяет определить структуру предложения, опираясь только на результаты морфологического анализа. Здесь выявляются синтаксические связи между словоформами (точнее, между порциями морфологической информации, сопровождающими каждое слово). На стадии синтаксического анализа описываются все возможные языковые структуры предложения, исходя из правил грамматики (точнее, синтаксиса). Это тот самый разбор предложения, которому обучали нас в 7-8 классах. При этом исходным материалом являются лишь результаты морфологического анализа, т.е. очень незначительная информация. Вспомним, что школьник, делая разбор предложения, опирается прежде всего на его содержание, смысл, т.е. понимание того, какая ситуация описана в предложении. Это знание значительно облегчает синтаксический анализ. Например, при определении подлежащего мы ищем того (или то), кто (или что) производит действие, опираясь прежде всего на понимание того, что описано в предложении. Компьютер лишен этой возможности и вынужден действовать иначе. А чтобы добраться до понимания предложения (а именно оно является его конечной целью), он должен пройти этап синтаксического анализа, используя только результаты морфологического анализа словоформ этого предложения. Скудость имеющейся морфологической информации приводит к тому, что почти всегда появляется много вариантов допустимой структуры предложения, т.е. какие именно слова называть подлежащим, сказуемым и т.д. Эта неопределенность порождена именно отсутствием необходимых сведений. Например, в фразе "Толкатель движет деталь" после синтаксического анализа подлежащим может считаться и "толкатель" и "деталь", так как в русском языке подлежащее может находиться на любом месте (ср. "Деталь делает слесарь").

Все полученные при синтаксическом анализе альтернативные синтаксические структуры предложения поступают на блок семантического анализа.

СЕМАНТИЧЕСКИЙ АНАЛИЗ

Этот этап обработки связан с выявлением смысла (семантики) предложения. Семантический анализатор преобразует синтаксическую форму предложения в "логическую" - в форму, понятную компьютеру. Наше человеческое понимание фразы мы можем проверить очень легко - по ответам на вопросы. Например, понимание предложения "Толкатель движет деталь" легко проверяется вопросами: "Что движет деталь?", "Что делает толкатель с деталью?" и "Что движет толкатель?" Человек, правильно отвечающий на эти вопросы, понял смысл этого предложения. При этом он опирается на свои знания о тех понятиях и действиях, которые использованы в предложении. Например, что толкатель может что-то двигать, а деталь может двигаться и это может быть нужно для чего-то. Такого рода знания необходимы для всякого понимания, ведь оно не что иное, как установление связи анализируемого текста с тем, что знает субъект. Если такой связи не устанавливается, то субъект ничего не понимает, да и в принципе понять не может.

Для компьютера понимание предложения связано с установлением связи слов этого предложения с понятиями, хранящимися в его памяти, точнее, с определениями этих понятий. Именно для этого нужен словарь определений. Этот словарь является компьютерным знанием о внешней среде, необходимым для понимания. Чаще всего этот словарь называют базой знаний (по аналогии с базой данных), реализована она может быть по-разному (как именно представляются знания в компьютере, мы расскажем в гл.12).

Но понимания каждого из предложений, описывающих ситуацию в тексте, вовсе недостаточно для понимания этого текста. Ведь каждое предложение включено в некоторое окружение - контекст, выявлением которого занимается...

ПРАГМАТИЧЕСКИЙ АНАЛИЗ

Он направлен на обработку связного текста. Одна из основных задач прагматического анализа - выявление взаимосвязи между предложениями текста. Типичный пример такой связи реализуется ссылками в виде личных местоимений: "Товары были отправлены на склад. Но он оказался переполненным". Здесь местоимение "он" обозначает "склад" (тот самый, на который были отправлены товары), что следует лишь из совместного анализа обоих предложений.

Особенно важен прагматический анализ для понимания в диалоге, который всегда имеет значительную контекстную зависимость. Рассмотрим, например, простой диалог:

А: Возьмите четыре красных кубика.
Б: Взял.
А: Сложите из них башню.

Здесь употребление ссылки "них" необходимо и не может быть заменено на "кубиков", иначе будет непонятно, из каких именно кубиков строить башню - взятых четырех красных или любых других.

В этом же примере диалога есть и другая трудность, которая должна быть понята: кто и что именно "взял" в реплике Б. Из контекста ясно, что именно Б взял "четыре красных кубика". Но здесь нет никакой ссылки, например в виде местоимения "их", и нет слова "я", они подразумеваются. Такого рода конструкции, в которых нет явно некоторых элементов, но которые восстанавливаются из контекста, называют неполными предложениями. Их очень много в связном тексте и еще больше в диалоге.

Для преодоления этих трудностей на стадии выявления смысла, следующего из анализа контекста, и нужны прагматические правила.

МЕТАФОРЫ - АРБУЗНАЯ КОРКА КОМПЬЮТЕРА

По завершении прагматического анализа считается, что текст полностью понят компьютером, хотя это иногда бывает совсем не так. Например, компьютеру пока "не по зубам" понять метафоры, столь естественные в речи человека. И дело здесь вовсе не в поэзии, которая насквозь пронизана метафорами (бог с ней, поэзией, не так уж важно, чтобы компьютер понимал правильно стихи). Дело в том, что метафоры очень часто используются в человеческом общении на весьма прозаические темы и повседневная речь насыщена ими. Например, "надо провертеть эту идею" или "я затратил целый день, чтобы разложить свои соображения по полочкам". Чтобы компьютер правильно понял эти фразы, в его базе знаний должны быть заложены расшифровки оборотов о "верчении идеи" и "раскладке по полочкам". В этом отличие компьютера от человека. Он нуждается в таких расшифровках, а человек догадывается о них. Например, выражение "пудрить мозги" понятно всякому, даже тому, кто его раньше и не слышал. Компьютеру же это не под силу, если такого выражения нет в его базе знаний. Не поймет он и названия этого раздела, если в его базе знаний не найдется расшифровки выражения "поскользнуться на арбузной корке".

ЧТО ЖЕ ДАЛЬШЕ?

В силу указанных трудностей хороших программ понимания естественного языка очень мало. Все они ориентированы на узкую предметную область. Оно и понятно. Чем уже предметная область, в рамках которой происходит диалог с компьютером, тем проще создать достаточно полную базу знаний этой области. И, следовательно, тем точнее может быть понимание компьютером фраз из этой предметной области.

Но при создании компьютерных систем понимания естественной речи есть трудности принципиального характера. Такая система, чтобы быть эффективной, должна знать не только что она знает, но и суметь объяснить пользователю, что и почему она не понимает. Но такого рода умение характеризует не что иное, как САМОСОЗНАНИЕ системы.

Мы еще мало знаем о феномене самосознания и поэтому пока не умеем его воспроизводить в необходимой полноте. Но первые шаги в этом направлении уже делаются (о них мы расскажем в гл.14, где описаны экспертные системы, обладающие элементами самосознания в виде подсистемы объяснения, как система пришла к данному полученному выводу). Необходимость самосознания - не столько следствие языка общения, сколько свидетельство сложности нашего мира, относительно которого происходит общение. Что же делать, пока компьютер не способен к эффективному самосознанию? Идти ему навстречу и не ставить его в затруднительное положение. Для этого достаточно общаться с ним простыми фразами, без метафор, с минимальным контекстом и в узкой предметной области. Такой упрощенный естественный язык вполне по силам понять современному компьютеру, точнее, его программе понимания естественного языка. Поэтому заканчивает эту главу...

ГИМН КАНЦЕЛЯРИТУ

Именно на таком языке пишется деловая документация (письма, инструкции, отчеты, заявления и т.д.). Этот язык неоднократно осужден литературоведами, назван канцеляритом и проклят критиками и любителями изящной словесности. Но он выжил. Дело в том, что канцелярит нужен. Он выражает извечное стремление человечества к правильному пониманию, когда дело доходит до серьезных вещей, не допускающих двусмысленности толкования. Например, описание технологии изготовления детали должно быть одинаково понято каждым, кто имеет отношение к изготовлению этой детали,- проектировщиком, технологом, мастером, рабочим.

Очевидно, что такой язык (его сейчас называют языком деловой прозы) открывает реальные возможности для эффективного общения человека с компьютером. Его выразительности вполне достаточно для того, чтобы нам вступить в диалог с машиной по практически важным поводам, связанным с человеческой деятельностью в области науки, техники, производства и т.д. Задушевного разговора на канцелярите не получится, да он и не нужен, пока.
***

- Что же получается,- задумчиво заметил Мегрэ,- сначала столько разговоров о неограниченных возможностях современного компьютера, а потом автор идет на попятную. Оказывается, компьютеру не по зубам самые простые вещи, которые запросто делает любой человек. Ведь что может быть проще, чем общение на естественном языке?
- Здесь не так все просто, как кажется,- улыбнулся Поль.- Во-первых, не всегда просто и естественно общение даже между людьми. Вспомните, как трудно объяснить что-либо незнакомому человеку. И все потому, что вы не знаете, что знает и чего не знает он. Поэтому, чтобы понять друг друга, важно много знать друг о друге. И чем больше это знание, тем лучше понимание. Вы ведь по-разному отдаете распоряжения мне и, например, новичку Жаку.
- Выходит, чтобы хорошо понимать меня, компьютер тоже должен съесть со мной пуд соли?- ехидно заметил Мегрэ.
- Увы, месье, это так. Хотя сделать это сможет далеко не всякий компьютер. Для этого он должен иметь возможность самообучения - запоминать и учитывать в дальнейшем специфику каждого собеседника. Чем больше такой компьютер общается с вами, тем лучше он вас понимает, точно так же, как при общении людей. Так что без "пуда соли" здесь не обойтись.
- Это уже что-то из области научной фантастики. Не так ли, Поль?
- К сожалению, таких компьютеров, точнее таких программ общения с человеком, пока нет. И думаю, что они появятся нескоро. Человек легко адаптируется и, общаясь с компьютером, который его плохо понимает, начинает приспосабливаться к нему. Важно, чтобы между человеком и компьютером поддерживался активный диалог, в процессе которого и появится возможность взаимной адаптации. Человеку это сделать проще: он делает это каждый день, общаясь с разными людьми и приспосабливаясь к каждому из них. Точно так же он легко адаптируется к компьютеру.
- Выходит, не нужен и хороший компьютер - человек всегда приспособится к нему,- заметил Мегрэ.
- Конечно, нет,- улыбнулся Поль.- Если для общения приходится затрачивать слишком много усилий, то проще отказаться от него. Так часто мы и поступаем, например при общении на малознакомом нам языке с иностранцами. Здесь толкового общения никогда не будет при всем желании иностранца адаптироваться к нашему полузнанию языка. Так и компьютеру, не имеющему хоть какую-то программу общения на естественном языке, никогда не растолковать своей задачи без алгоритмических языков. Поэтому чем выше уровень решаемых задач, тем сложнее должны быть программы общения с компьютером. Адаптивность человека в таком диалоге лишь подспорье, но не решает задачи общения.
- Что ж, как видно для решения самых сложных задач придется ждать сверхсовершенных программ. Не проще ли их решать без компьютера?
- А мы так и поступаем. Остается довольно много областей человеческой деятельности, пока недоступных компьютеру. Это политика, этика, мораль, искусство и другие неформализованные области. Так что поговорить с компьютером на такие темы и тем более поручать ему решать проблемы из этих областей нам удастся не скоро.
- Ну что ж,- добродушно сказал Мегрэ,- это обнадеживает. Я могу легко делать то, что не по зубам самым совершенным компьютерам!

10. ОТЦЫ И ДЕТИ, ВНУКИ И ПРАВНУКИ (КОМПЬЮТЕРЫ ПЯТОГО ПОКОЛЕНИЯ)
ТЕМП, ТЕМП, ТЕМП...

Компьютеры, как и люди, имеют свои поколения. И, как у людей, каждое новое поколение в чем-то отрицает старое. Но смена поколений компьютеров происходит значительно быстрее - примерно каждые 10 лет, причем новое поколение отличается от старого (по производительности, емкости памяти, стоимости, габаритным размерам и т.д.) примерно в 10 раз. Такой огромный темп развития еще не имела ни одна отрасль промышленности нигде и никогда (напомним, что эра компьютеров началась лишь в 1945г.).

Так, процессор первых машин едва размещался в огромном шкафу (а то и в нескольких). Сейчас же процессор размещается в объеме, значительно меньшем спичечного коробка. Это меньше более чем в миллион раз по сравнению с первыми ЭВМ. При этом производительность процессора возросла более чем в тысячу раз - с тысячи операций в секунду в первых компьютерах до миллиона в коммерческих процессорах, а в специальных - значительно больше. Одновременно стоимость процессора сейчас снизилась до нескольких рублей. Аналогичны соотношения по емкости памяти, надежности и т.д. И все это произошло всего за 40 лет, при жизни одного поколения людей. Темпы, как видим, небывалые!

Если бы таким стремительным темпом только 25 лет развивалось самолетостроение, то самолет типа нашего аэробуса (ИЛ-86) стоил бы всего 500руб., совершал облет земного шара за 20мин. и тратил бы при этом 20л горючего!

Очевидно, что при столь ошеломляющих успехах развития компьютерной техники следует ожидать, что она вскоре дойдет до каждого из нас. Этот момент, грубо говоря, и будет соответствовать пятому поколению компьютеров. Ожидают его к 2000г., но занимаются пятым поколением, и весьма интенсивно, уже сейчас. А пока "на дворе" третье и четвертое поколения компьютеров.

С ЧЕГО ВСЕ НАЧАЛОСЬ

Идея компьютеров пятого поколения впервые возникла в Японии в 1979г. и была воспринята всеми как фантастика - уж очень смелыми были предложения и предположения о компьютерах ближайшего будущего. Но эти сомнения были рассеяны, когда был опубликован Японский национальный проект создания машин пятого поколения. В соответствии с этим проектом к 1990г. должны быть созданы первые образцы таких машин, а к началу второго тысячелетия компьютеры должны войти в каждый дом, как телевизор, магнитофон или стиральная машина, должны стать такими же простыми в обращении и столь же доступными по стоимости.

Сама по себе идея всеобщей компьютеризации, заложенная в проект машин пятого поколения, не нова и вполне реальна, если для этого воспользоваться персональными компьютерами (о них мы уже говорили подробно в гл.2). Но обеспечить каждого из нас индивидуальным компьютером - еще не значит обеспечить всех всей необходимой информацией и средствами ее переработки.

Дело в том, что персональный компьютер создает очень удобную, но лишь локальную компьютерную среду. Но эта локальность становится непреодолимым препятствием, если необходимо оперативно получить информацию, которая содержится в удаленном от вас банке данных, или необходимо решить задачу, для которой потребуется вычислительная мощность, значительно превышающая возможности вашего персонального компьютера. Эту проблему позволяют решить вычислительные сети (о них было рассказано в гл.7). Такого рода сети просто необходимы для компьютеров пятого поколения. Но и сам персональный компьютер - не идеальный партнер, общение с ним требует определенных навыков, компьютерной грамотности. Очевидно, что для эффективного общения с компьютером должен быть налажен речевой контакт, иначе он никогда не станет нашим надежным партнером и собеседником.

Все это и многое другое и вызвало необходимость создания компьютеров пятого поколения. Обеспечение каждого пользователя простой, надежной и оперативной возможностью пользоваться огромным вычислительным потенциалом и практически неограниченной информацией - основная идея этого поколения. А для ее реализации необходимо разработать новые технические средства, новые методы программирования и новые способы общения с компьютером. Решение этих задач и обеспечит человечество новыми средствами обработки информации - компьютерами пятого поколения.

Новизна этих средств состоит еще и в том, что с ними мы вступаем в новый этап развития ЭВМ - этап компьютерных умозаключений. Напомним, что первым этапом был вычислительный, откуда и произошли имена "ЭВМ" и "компьютер", а вторым - общеинформационный, когда компьютер стал применяться во всех областях обработки информации, а не только для вычислений. На новом (пятом) этапе компьютер вторгается в интеллектуальную деятельность человека, позволяя автоматизировать процесс умозаключений, что открывает новые возможности для решения интеллектуальных задач.

А теперь рассмотрим подробнее основные черты компьютеров пятого поколения. Начнем с того, что ответим на вопрос: почему именно пятое поколение? И какими были предыдущие?

ПОКОЛЕНИЯ КОМПЬЮТЕРОВ

Развитие компьютерной техники подчиняется законам развития техники вообще. Темп развития любой отрасли определяется ее технологией. Чем совершеннее технология, тем выше темп развития этой отрасли, и наоборот. Так вот, в компьютерной технике новая технология появляется чрезвычайно интенсивно. Именно это обстоятельство обеспечивает столь высокие темпы развития вычислительной техники.
Каждое новое поколение компьютеров отличается от предыдущего элементной базой, т.е. теми "кирпичиками", из которых состоит компьютер.

ПЕРВОЕ ПОКОЛЕНИЕ КОМПЬЮТЕРОВ

В самом начале, в первом поколении, таким элементом была электронная лампа, в которой использовался так называемый эффект Эдисона. Великий изобретатель сделал это открытие между делом (а делом он считал изобретательство). Любопытно, что Эдисон, патентовавший все свои изобретения, это открытие не запатентовал: он не увидел в нем никакой практической пользы. Но именно это открытие Эдисона дало первый толчок развитию вычислительной техники, который в конечном счете привел к триумфальному шествию компьютеров. В то время электронные лампы Эдисона широко использовались в радиоаппаратуре. И именно к ним обратились создатели первых ЭВМ.

Машины первого поколения размещались в огромных залах (типа спортивных). Тысячи электронных ламп быстро нагревали помещение, высокая температура создавала не только неудобства для обслуживающего персонала, но и снижала надежность работы самой ЭВМ, и отвод тепла стал одной из самых острых проблем организации эффективной работы такой машины. Так электронная лампа, благодаря которой начался компьютерный бум, стала на пути прогресса вычислительной техники. Ее срочно нужно было заменить на другой элемент, более "холодный", экономичный и меньших габаритов. Такой элемент был найден. Им оказались полупроводниковые элементы на базе кристаллов кремния, германия, галлия, селена, а также арсенида галлия, карбида кремния и т.д. Эти материалы имеют различную проводимость в различных направлениях кристалла (в отличие от электронной лампы, имеющей обратное сопротивление, близкое к бесконечности, полупроводниковые диоды имеют лишь разное сопротивление в обоих направлениях, отличающееся в 100-10 раз). И такие полупроводниковые элементы немедленно были использованы для компьютеров. Так началось...

ВТОРОЕ ПОКОЛЕНИЕ КОМПЬЮТЕРОВ

Миниатюрный транзистор (так стали называть полупроводниковый элемент) был значительно совершеннее электронной лампы, что сразу сказалось на свойствах компьютеров и привело в действие закон "10" - улучшение за 10 лет всех характеристик компьютера примерно в 10 и более раз. Машины второго поколения обладали настолько высокими характеристиками, что некоторые успешно эксплуатируются до сих пор (машины первого поколения можно встретить разве лишь в музеях истории техники). Например, и сейчас работает наша великолепная машина второго поколения БЭСМ-6. Она имеет производительность миллион операций в секунду, чего не всегда достигают коммерческие машины третьего и четвертого поколений. Но по мере развития вычислительной техники, требующей все более и более компактных решений, полупроводниковые приборы стали тормозить процесс повышения эффективности машин. Стремление к компактности электронных схем компьютера связано не только с желанием сделать его поменьше (хотя его габаритные размеры иногда решают успех его применения, например на борту самолета или в космосе). Компактность нужна прежде всего для повышения производительности процессора и его надежности. Длинные проводники, связывающие полупроводниковые элементы, естественно, задерживали процесс распространения сигнала по схеме и тем самым снижали ее быстродействие. Быстрая схема должна быть микроскопических размеров. Так возникла мысль о микроэлектронном исполнении схем. Но решила дело микроэлектронная технология. Именно она породила...

ТРЕТЬЕ ПОКОЛЕНИЕ КОМПЬЮТЕРОВ

В этом поколении элементную базу компьютеров образовали так называемые интегральные схемы. Замечательное отличие такой схемы заключается в том, что все ее элементы (транзисторы, резисторы и конденсаторы) и соединения между ними создаются на небольшой пластине кристалла (обычно кремния) площадью порядка 1см2. Технология, использующая процессы травления и напыления, позволяет создавать схемы с чрезвычайно мелкими элементами. Именно поэтому такие схемы и стали называть интегральными микросхемами. Очевидно, что совершенствование технологии создания микросхем позволяет "уложить" на единице площади все больше элементов и соединений между ними. Именно технология определила дальнейшее развитие вычислительной техники и следующие поколения компьютеров. Пока технология была еще несовершенна, микросхемы имели малую степень интеграции - порядка 10 транзисторов на схему. Микросхемы средней степени интеграции (СИС) имеют до 100 транзисторов на схему. С совершенствованием технологии появились большие интегральные схемы (БИС), имеющие до 1000 транзисторов в одной схеме. Именно они дали жизнь третьему поколению компьютеров. Примером машин этого поколения являются известные и самые распространенные у нас машины серий ЕС (Ряд-1) и СМ.

ЧЕТВЕРТОЕ ПОКОЛЕНИЕ КОМПЬЮТЕРОВ

Дальнейшее совершенствование технологии позволило создать сверхбольшие интегральные схемы (СБИС), содержащие 100тыс. транзисторов и более. Именно СБИС стали основой элементной базы компьютеров четвертого поколения. На такой схеме реализованы и память компьютера, и арифметическо-логическое устройство (АЛУ) и даже процессор. Процессор, реализованный на одной СБИС, получил название микропроцессора. Появился он сравнительно недавно, в 1971г. (это микропроцессор Intel 4004 с 2250 транзисторами), и сразу стал вехой в развитии компьютерной техники.

"Сердцем" каждого компьютера является процессор (напомним, что он объединяет АЛУ и устройство управления). Появление микропроцессорного "сердца" открыло перед создателями компьютеров огромные возможности. Теперь даже радиолюбитель может собрать собственный персональный компьютер, добавив оперативную память (на БИС или СБИС) и устройства ввода-вывода (на нескольких СИС). Это обеспечила микроэлектронная технология!

И именно прогресс микроэлектронной технологии открыл реальный путь к созданию компьютеров пятого поколения. В этом поколении элементной базой являются микропроцессоры. Компьютеры пятого поколения будут создаваться на базе микропроцессоров, так же, как компьютеры первого поколения на лампах, а второго - на транзисторах. Известно, что микропроцессор позволяет реализовать любую функцию переработки информации, что и открывает перед такой элементной базой почти неограниченные возможности по созданию компьютеров для решения сложнейших задач, выдвигаемых современным производством, экономикой, наукой, и... каждым из нас. Эти последние задачи, как это ни покажется странным, станут одними из основных для компьютеров пятого поколения.

ТРЕБОВАНИЯ К КОМПЬЮТЕРАМ ПЯТОГО ПОКОЛЕНИЯ

Мы привыкли, что компьютерная техника обслуживает преимущественно науку, промышленность, народное хозяйство и т.д., а задачи, которые волнуют лично каждого из нас, приходится решать нам самим. И дело здесь вовсе не в том, что мы не можем "выйти" на ЭВМ - сейчас их достаточно. Просто большинство из нас не будет знать, что делать с компьютером, даже если он появится в вашей квартире - уж очень много нужно знать, чтобы обращаться с компьютером для решения своих конкретных задач как на работе, так и дома.

Чтобы преодолеть этот барьер, прежде всего необходимо, чтобы компьютер мог понимать естественный язык, чтобы общение с ним было не сложнее, чем с коллегой по работе или домочадцами. Именно таким должен быть компьютер пятого поколения.

Но чтобы понимать естественный язык (текст или речь), компьютеру нужно очень многое знать и уметь. Для этого он должен иметь чрезвычайно большую оперативную память и огромное быстродействие. Именно для этого используются СБИС. Компьютер пятого поколения должен иметь быстродействие 1e11-1e12 операций в секунду - триллион! Это в миллион раз больше, чем у нынешнего среднего компьютера! Для чего же нужна такая производительность? Прежде всего, чтобы быстро манипулировать своими знаниями, чтобы сразу реагировать в процессе общения с человеком и с другими компьютерами. А чтобы обеспечить такое быстродействие, очевидно, недостаточно одного процессора, производительность которого обычно не превышает 1млн. операций в секунду. Поэтому компьютер пятого поколения будет многопроцессорной системой, широко использующей распараллеливание процесса обработки информации (о способах распараллеливания мы говорили в гл.6). Для этого в компьютерах пятого поколения в основном будет использоваться метод потока данных. Этот метод отличается от традиционной обработки, в которой вычислительный процесс управляется потоком команд программы (фоннеймановская архитектура, основанная на однопроцессорном компьютере). При многопроцессорной схеме компьютера логично поступать по-другому: не команды, а данные сделать управляющими вычислительным процессом. Именно в этом и состоит метод потока данных.

Напомним, что реализуется он следующим образом. Как только появляются данные для выполнения какой-то части программы (эти данные могли появиться извне или получены другой частью программы) и есть свободный процессор, он сразу загружается этой программой. Поэтому при работе по методу потока данных процессоры простаивают мало, что и обеспечивает эффективное распараллеливание решения задачи.

Но, как легко вычислить, чтобы создать компьютер триллионной производительности, нужно не менее миллиона процессоров-миллионников. Даже для СБИС это слишком много! Поэтому следует искать пути убыстрения вычислений, кроме распараллеливания. И такой путь имеется - создание специальных СБИС, обрабатывающих информацию не программно, а аппаратно - так, как это делается в карманном калькуляторе. Например, операция умножения обычно выполняется программно (точнее, микропрограммно), но можно сделать специальную схему - умножитель, которая выполнит эту операцию, естественно, значительно быстрее (именно так поступают при создании высокопроизводительных компьютеров).

Переход на схемное решение значительно увеличивает скорость решения задачи (точнее, подзадачи), иногда на несколько порядков. Именно поэтому в компьютерах пятого поколения должна широко использоваться схемная обработка или, как иногда говорят, программирование на кристалле (имеется в виду кристалл интегральной микросхемы) или кремниевое программирование (микросхема обычно изготовляется на кристалле кремния). Но очевидно, что создавать такой специальный запрограммированный кристалл (или заказную СБИС) следует только для типовых и широко используемых программ обработки, так как его проектирование и изготовление - очень трудоемкая процедура. Но чем больше таких различных СБИС будет использовано в компьютере, тем выше станет его производительность. Именно эта идея закладывается в компьютеры пятого поколения, что требует дальнейшего развития технологии СБИС.

Но одной производительности для компьютера, который должен понимать и решать задачи, мало. Нужна огромная оперативная память, способная хранить знания, на основе которых действует компьютер. Для компьютеров пятого поколения нужна емкость памяти до 1e12 байт (знаков) - столько имеют миллион томов книг по 400 страниц каждый. Это значит, что в оперативную память компьютера пятого поколения можно будет вложить большую городскую библиотеку, а чтобы перевести в оперативную память все хранилища библиотеки им.В.И.Ленина (одной из крупнейших в мире) понадобится не более 50 таких компьютеров. Но такая гигантская память должна быть очень хорошо организована, иначе быстро найти в ней ничего не удастся. Именно поэтому компьютеры пятого поколения будут хранить в своей оперативной памяти базу данных, организованную удобным образом. Одной из таких перспективных баз данных, которая планируется для использования компьютерами пятого поколения, является...

РЕЛЯЦИОННАЯ БАЗА ДАННЫХ

Это множество таблиц, каждая таблица выражает определенное отношение (англ. ralation) между строками и столбцами. Например, кадровая таблица определяет отношения между строками, где записаны данные по каждому работнику, и столбцами, определяющими его фамилию, год рождения, образование, зарплату и т.д. А библиографическая таблица устанавливает отношение между строками, где записаны библиографические данные, и столбцами, в которых фиксируется фамилия автора, название статьи или книги, издательство, год выпуска, объем публикации и т.д. Любой фрагмент такой таблицы тоже определяет отношение. Например, отношение между образованием и зарплатой легко определить из кадровой таблицы, вычеркивая все столбцы, кроме двух интересующих.

Реляционная база данных состоит из набора таких таблиц, представляющих некоторую предметную область, интересующую многих пользователей. Но хранение этих сведений в банке - не основная его функция. Банк данных Создается ради его использования. По запросу пользователей информация, хранимая в банке, может быть выдана ему в требуемой форме, в виде определенной таблицы-отношения. Реляционная база данных позволяет манипулировать своими таблицами и создавать новые, интересующие пользователя. Например, выявить отношение между возрастом работника и числом его публикаций, для этого понадобятся две описанные таблицы. Все необходимые действия с таблицами выполнит сама база данных, точнее, система управления базы данных (СУБД).

Такого рода манипуляции с таблицами отношений осуществляются методами реляционной алгебры, которая позволяет выявлять нужные пользователю (или компьютеру) отношения между данными, хранящимися в базе. Именно реляционная база данных является основной формой хранения информации компьютеров пятого поколения.

Мы уже говорили о том, что тенденция развития компьютерной техники такова, что на компьютер возлагается все больше невычислительных операций. И вычислительная машина вычисляет (относительно) все меньше и меньше. А основное свое время она занята тем, что называется логическим выводом, который необходим для решения информационных задач. В процессе решения информационных задач компьютеру приходится все чаще и чаще обращаться к базе данных, чтобы на ее основе делать логические выводы. Примером такого рода вывода является выявление в базе данных определенного свойства у заданного объекта, если это свойство в базе упоминается не вместе с объектом, а через другие его свойства, как в известном силлогизме: все рыбы плавают, карась - рыба, следовательно, он плавает. Такого рода логических выводов компьютерам пятого поколения придется делать очень много: их "знания" определяются содержимым банков данных и логический вывод является средством извлечения этих знаний из банков данных.

На один логический вывод компьютер обычно затрачивает 100-1000 операций. А так как таких выводов приходится делать очень много, то производительность компьютеров удобно исчислять количеством логических выводов в секунду. Так, компьютеры пятого поколения должны делать до 1млрд. логических выводов. Очевидно, что для создания программ с большим числом логических выводов необходим специальный язык программирования, ориентированный на логические выводы. Такими языками являются Пролог (именно он был положен в основу японского проекта компьютеров пятого поколения) и Лисп (о них мы расскажем в гл.13).

В заключение отметим, что здесь описаны некоторые технические средства, типичные для компьютеров пятого поколения. Именно с их помощью будут решаться задачи. Сами же задачи компьютеру будут ставиться словесно, так как общение с компьютерами пятого поколения будет происходить на естественном языке. Очевидно, что и методы решения таких задач должны быть новыми. Для компьютеров пятого поколения такими методами являются методы искусственного интеллекта.
***

- И все-таки непонятно, зачем иметь такие гигантские вычислительные мощности пятого поколения каждому пользователю,- заметил Мегрэ.- Я хорошо понимаю, что существуют суперзадачи, для которых нужно иметь суперкомпьютеры. Но таких задач не так много, а для многих нужд достаточно персонального компьютера с телефонной связью, чтобы получить необходимую информацию. Не заболели создатели компьютерной техники гигантоманией?
- Нет, разумеется,- улыбнулся Поль.- Эти мощности в пятом поколении компьютеров будут платой за сервис, предоставляемый пользователю. Этот сервис не совсем обычный (быстро, качественно, надежно), а интеллектуальный. Он обеспечивает прежде всего понимание пользователя компьютером. Конечной целью такого сервиса является "понимание с полуслова". Но для этого компьютер прежде всего должен понимать естественную речь неискушенного пользователя, переспрашивать его до тех пор, пока не убедится в правильности понимания. Более того. Очень часто мы нечетко знаем, чего хотим. Наши желания зачастую расплывчаты и неопределенны. В такой ситуации даже человек с трудом может понять, чего же хочет от него собеседник. Чего же вы хотите от компьютера?
- Я ничего не хочу!- поспешно сказал Мегрэ.- Это вы от него требуете то, чего и человеку-то не всегда под силу. Ну и пусть компьютер не понимает человека, когда тот сам себя не понимает. Пусть исполняет четкие распоряжения или, как это говорят математики, хорошо поставленные задачи. А плохо поставленные пусть решает сам. На то он и человек!
- Ваше деление задач на "хорошие" и "плохие" правильно, комиссар.
И все компьютеры до четвертого поколения включительно решали именно "хорошие" задачи. Но, к сожалению, хороших задач очень мало, именно поэтому компьютеры использовались не на каждом шагу. "Плохих" задач значительно больше, чем "хороших", да они и важнее. Наверное, именно поэтому самые ответственные задачи не доверялись компьютеру - их решали люди. Именно потребность (а не только желание) решать "плохие" задачи привела к появлению компьютеров пятого поколения. Эти задачи довольно четко делятся на два класса: понять человека и выполнить то, что было понято. Для решения этих задач нужно располагать огромной информацией и перерабатывать ее с огромной скоростью.
- А какая такая "огромная" информация нужна компьютеру для понимания человека?- спросил Мегрэ.
- Это прежде всего модель мира, в котором живет человек. Не располагая такой моделью, компьютер просто не может понять человека, если он общается с ним на естественном языке. А именно такое общение свойственно человеку. И никакая компьютерная грамотность не заставит его предпочесть формальный язык естественному. Кроме того, естественный язык - самый выразительный. Только на нем удается описать и сказать все, что необходимо. Формальные языки, и тем более языки программирования, выразительны только в той области, для которой они были созданы.
- Хорошо. Чтобы компьютер понял человека, действительно нужны и огромная память, и огромное быстродействие. Но нужны ли они для выполнения заданий. Чтобы ответить на вопрос: дважды два?, нужно лишь его понять и обратиться к таблице умножения, которая занимает невесть какую память,- заметил Мегрэ.
- Если бы человечество ограничивалось только такими вопросами!- грустно сказал Поль.- К сожалению (а может быть, к счастью), чаще задают другие вопросы.
- Например?
- "Как изменится климат в Азии, если повернуть на юг реки, текущие на север?" или "Каковы последствия введения налога на курящих?" и т.д. и т.п. Таких вопросов слишком много. А ответы на них требуют огромной исходной информации не только в виде данных, но и в виде моделей, связывающих эти данные. Эти самые модели являются по сути дела закономерностями нашего мира. Прежде чем отвечать на вопрос, надо либо найти их в каких-либо банках данных и знаний, либо выявить из имеющихся наблюдений. На все это нужны очень большие запасы информации и вычислительные мощности, которыми и будут располагать компьютеры пятого поколения.
- Ну хорошо, Поль. Я готов поверить, что все это очень нужно и даже необходимо для научного, промышленного и всякого другого прогресса. Но какую помощь эти компьютеры окажут нам, сыщикам? Только речевое общение с компьютером? Позволит сократить секретаршу, которая вводит данные в компьютер? Не мало ли?
- Пятое поколение позволит прежде всего решать задачи, которые мы сейчас решаем плохо и иногда вообще не можем решить. Вот эту гору данных,- Поль указал на стопы сообщений, полученных на запросы Мегрэ со всего света,- сможет обработать и дать вам ожидаемый ответ только машина пятого поколения, в памяти которой будут находится известные взаимосвязи преступного мира.
- Что ж, спасибо на светлом будущем,- сказал Мегрэ и поспешно добавил: - Не обижайтесь, Поль, просто хочется уже сейчас воспользоваться этими будущими компьютерами пятого поколения. Они мне вот так нужны!- и он провел ладонью по горлу.
- Вот такие потребности и движут развитие компьютерной техники,- улыбнулся Поль.

11. СУРРОГАТ ИНТЕЛЛЕКТА (ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ)
СПЕЦИФИКА МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Понятно, что компьютеры пятого поколения должны работать по-новому, на новых принципах обработки информации. Дело в том, что в отличие от компьютеров предыдущих поколений, им придется иметь дело с очень сырой исходной информацией. Это прежде всего речь, текст, изображения... Такого рода информация плохо организована или, как говорят строго, плохо структурирована. А для функционирования "нормального" компьютера требуется, чтобы исходные данные были хорошо структурированы. Именно поэтому и необходимо создать методы, позволяющие компьютеру работать в такой "непривычной" для него обстановке.

Такими методами стали методы искусственного интеллекта. Так была названа новая область научных исследований, которая к человеческому интеллекту имеет довольно косвенное отношение. Речь идет о задачах, которые очень хорошо решаются человеком и плохо вычислительной машиной. Можно было бы не тужить о трудностях компьютера (ведь человек-то справляется с этими задачами хорошо), если бы такие задачи не стали встречаться столь часто, что их решение нуждалось в автоматизации, хотя бы из экономических соображений.

Естественно, далеко не все задачи, хорошо решаемые человеком, следует относить к интеллектуальным. Но есть большой класс задач, связанных с умением понимать, анализировать, рассуждать, использовать знания, планировать свои действия и т.д., в которых естественно проявление интеллекта (хотя, может быть, не слишком глубокого). Характерной особенностью этих "умений" является их универсальность и поэтому применимость к объектам самой разнообразной природы. Так, умение планировать свои действия подразумевает возможность реализовать эффективное планирование и дома, и на улице, и на работе. А умение оперировать своими знаниями применимо для решения любой практической задачи. Именно поэтому под методами искусственного интеллекта часто понимают универсальные процедуры (их часто называют метапроцедурами), применимые к широкому классу задач. Что же это за задачи?

Это, прежде всего, задачи, связанные со ЗРИТЕЛЬНЫМ ВОСПРИЯТИЕМ компьютера. Более 90% информации об окружающем мире человек получает именно по этому каналу. Для современного компьютера этот канал практически закрыт, через клавиатуру нельзя пропустить мало-мальский значительный поток информации. Так очень остро встает проблема "открыть глаза" компьютеру. Но ввести изображение в память компьютера нетрудно. Для компьютера сложно понять это изображение.

Понимание изображения - следующий шаг в решении задач РАСПОЗНАВАНИЯ ОБРАЗОВ. Человек, как правило, без труда узнает лица, предметы и знаки (любые буквы, цифры, картинки и т.д.) после однократного знакомства с ними. Для компьютера решение такого рода задач почти всегда затруднительно, а иногда и вовсе пока невозможно.

Другая важная практическая задача - ПОНИМАНИЕ ЕСТЕСТВЕННОГО ЯЗЫКА, текста или речи. Для человека понимание его языка попросту не является задачей вообще. А для компьютера это очень сложная проблема, решить которую в полной мере едва ли удастся в ближайшее время.

Задача ВЫЯВЛЕНИЯ ЗАКОНОМЕРНОСТЕЙ состоит в том, чтобы найти общую закономерность, свойственную всем или большинству рассматриваемых предметов, ситуаций, явлений... Интеллектуальность ее не вызывает сомнений, как и важность для решения сложных задач.

Задача ПЛАНИРОВАНИЯ ДЕЙСТВИЙ, например робота, заключается в том, чтобы состав и последовательность этих действий приводили бы к требуемому результату. Например взять определенную деталь и положить ее в другое место заданным образом. Планирование такого рода действий человеку попросту не нужно: он просто выполняет заданную цель (ставит деталь на нужное место и все). Но для робота такое планирование совершенно необходимо: в процессе выполнения задания он может, например, разрушить своим манипулятором то, что было сделано ранее. Планирование действий робота должно осуществляться в его электронном "мозгу" - компьютере. И чем сложнее его действия, тем сложнее задача их планирования и тем мощнее должен быть компьютер, обслуживающий этот робот.

Следующий класс задач искусственного интеллекта связан с понятием ЗНАНИЕ. Мы редко различаем понятия "информация" и "знания". Для нас, людей, знания - нечто более существенное, чем просто информация, и только. Для компьютера разница между знанием и информацией очень большая, поскольку оперировать знаниями для него непривычно. Ведь компьютер не более чем автомат для переработки информации, и прежде чем эффективно манипулировать знаниями, ему нужно решить много задач. Это задачи представления знаний в памяти компьютера, получения знаний как процесса выявления закономерностей, обучения как способа передачи знания от человека к машине, моделирования рассуждений как задача манипулирования знаниями. Все это задачи искусственного интеллекта (некоторые из них мы рассмотрим в следующих главах).

Как легко заметить, далеко не все из этих задач с человеческой точки зрения следует считать интеллектуальными, ведь две из них - узнавание и планирование действий - без труда решаются даже животными, а понимание речи свойственно самым интеллектуальным представителям рода человеческого. Что же касается знаний и манипулирования ими, то человек всегда ценит знания, но никогда особенно не задумывается о том, как он ими манипулирует. Так что об интеллектуальности большинства приведенных задач и говорить не стоит. Правильнее было бы говорить о машинном (компьютерном) интеллекте, которому предстоит обрести такую "интеллектуальность". Но тем не менее слова "искусственный интеллект" вошли в научно-технический обиход, и мы, следуя традиции, будем так называть эту очень важную область науки и техники, связанную с интеллектуализацией современного компьютера.

А теперь рассмотрим некоторые из этих задач подробнее и покажем, как эти методы искусственного интеллекта используются в компьютерах пятого поколения.

ВОСПРИЯТИЕ ИЗОБРАЖЕНИИ

Задача компьютерного восприятия изображений опирается на задачу распознавания. Рассмотрим ее применительно к распознаванию графических изображений (в действительности эта проблема значительно шире и затрагивает, например, задачи медицинской и технической диагностики, поиска месторождений, прогноза погоды и многие другие). Трудность решения задачи распознавания графических изображений можно проиллюстрировать на очень простом примере распознавания букв, написанных от руки. Чтобы компьютер мог различать буквы, он должен располагать программой такого распознавания. Эта программа реализует алгоритм, в котором указано, как следует обрабатывать изображение знака, чтобы выяснить, какому образу он принадлежит. Здесь образов столько, сколько букв предстоит распознать. Если бы все изображения одной и той же буквы были бы одинаковы, то проблемы не было бы - всегда легко выявить один-два признака, которые отличают каждую букву от любой другой. Например, острый верх и поперечная черта отличают букву А от Л. Именно такой подход использован в читающих автоматах, сортирующих письма на почте. Наличие шаблонов заставляет нас писать цифры одинаково, что значительно облегчает задачу читающего автомата. Но как быть с бандеролями и посылками? Их по-прежнему сортируют вручную, так как нет надежного способа (алгоритма) распознавания почерка, т.е. знаков, написанных от руки.

В подобном алгоритме нуждается не только почта. Он нужен прежде всего компьютеру для организации своих действий на основе любой и любым образом написанной текстовой информации, введенной в него. Необходимость действия требует прежде всего понимания компьютером полученной им информации. Решением задачи понимания и занимается распознавание образов, где образом является значение знака, а исходной информацией - его графическое изображение.

Если такого понимания не требуется, то ввести графическую информацию в память компьютера нетрудно - достаточно воспользоваться стандартным телевизионным датчиком и "считать" построчно изображение, чтобы запомнить яркость каждой точки этого изображения. Такая запись, называемая факсимильной, проста, но требуется очень большая память компьютера. А чтобы сократить ее, надо уже понимать смысл этого изображения - распознавать его или отдельные его части. Так, чтобы записать один стандартный черно-белый телевизионный кадр, необходимо запомнить полмиллиона чисел, определяющих яркость каждой точки экрана (для цветного изображения это значение надо утроить). Любопытно, что такой нехитрый способ хранения изображений может быть применен для сохранения разрушающихся картин старых мастеров, точнее, не самих картин, а информации о них в виде поточечной записи на магнитной ленте, примерно так же, как это делается в телевизионной видеозаписи, только с большим разрешением. Известно, что со временем краски изменяются, и нам приходится видеть не то, что видели наши предшественники на этих картинах. Компьютерный способ гарантирует не только сохранность записанной информации, но и передачу ее по каналам вычислительной сети и воспроизведение на экранах с высокой разрешающей способностью. Несложный расчет показывает, что для качественного запоминания небольшой картины нужна память в 1 Гбайт (1e9 байт), т.е. картину можно хранить на одном оптическом диске. Компьютерный способ хранения и передачи изображения уже сейчас широко используется для работы с подписанными документами, чертежами, фотографиями.

Если же изображение содержит элементы, которые можно однозначно распознать, как, например, буквы или цифры, то для запоминания потребуется значительно меньшая память. Так, чтобы запомнить одну страницу текста, требуется всего 1500 байт, каждый из которых соответствует одному из запоминаемых знаков (букв, цифр, знаков пунктуации и т.д.).

Как видно, для сжатия информации, содержащейся в факсимильном тексте, нужно распознать все знаки и записать его так, как записывается в памяти компьютера текст, введенный с клавиатуры, т.е. очень компактно - по одному байту памяти на знак.

Нетрудно представить, как будет использоваться умение компьютера распознавать знаки, например, в радиолюбительской практике. Очень часто радиолюбителю (и не только ему) необходимо знать свойства спроектированной им схемы, чертеж которой имеется лишь на бумаге. Для этого достаточно ввести эту схему в память компьютера, например нарисовав ее световым пером на экране дисплея. В памяти компьютера окажется факсимильное изображение этой схемы со всеми необходимыми знаками и надписями, сделанными от руки "коряво". Программа должна распознать элементы этой схемы, ее структуру и надписи, после чего схема считается "понятой" компьютером. Дальнейшая обработка - решение соответствующих уравнений и представление результата радиолюбителю - происходит "старым", уже известным образом. Здесь основная трудность заключается в процессе распознавания "корявой" схемы, введенной в память компьютера. Пятое поколение машин должно владеть этими методами в полной мере.

ВЫЯВЛЕНИЕ ЗАКОНОМЕРНОСТЕЙ

Эта проблема обобщает задачи зрительного восприятия вообще и распознавания образов в частности. Действительно, ведь образ - не что иное, как простейшая закономерность, выявленная на множестве изображений, представленных для распознавания. Например, чтобы одни изображения назвать буквой А, а другие - буквой Б, нужно выявить закономерность в написании этих букв, но подобные закономерности имеются не только в этих изображениях, но и в числовых таблицах, текстах, процессах и т.д.

Примером задачи выявления закономерности служит известная игра "Кто лишний?". Заключается она в следующем. Предъявляется несколько объектов и из них предлагается исключить лишний, причем признаки его не указываются - их нужно найти самому, т.е. вывести закономерность, связывающую все объекты, кроме одного, который и будет лишним. Например, из четырех животных: кошка, собака, курица, медведь - выделить лишнего. Не торопитесь с ответом - их может быть много! Действительно, это может быть и курица (единственная птица), и кошка (только она способна втягивать когти), и собака (только она обладает "собачьим" нюхом), и медведь (самый большой). Конечно же, первый ответ наиболее распространен: деление животных на зверей и птиц важно для человека. Но в определенных обстоятельствах могут быть выделены и другие закономерности. Как видно, процесс выявления закономерностей сильно подвержен внешнему влиянию и существенно зависит от предварительной (априорной) информации, например от цели выявления этой закономерности.

Для чего нужно выявлять закономерности и как этой возможностью воспользуются компьютеры пятого поколения? Прежде всего отметим, что процесс выявления закономерностей не что иное, как важнейший элемент процесса познания окружающего мира. Действительно, мы считаем, что знаем объект, если имеем представление о закономерностях его поведения, можем предсказать, как он поведет себя в той или иной ситуации. Здесь под поведением понимаются свойства, признаки, характеристики, структура и т.д.- все то, что отличает его от других объектов и важно для нас. Знания такого рода очень ценны при общении с этим объектом. Они могут быть использованы для управления, приспособления этого объекта к нашим нуждам.

Это свойство выявления закономерностей очень нужно роботам, которым предстоит действовать в новой ситуации (например, на дне моря, в жерле вулкана, на другой планете и т.д.). Прежде чем действовать, роботу нужно иметь представление об объектах, его окружающих, выявить закономерности их поведения. Программа выявления закономерностей и будет реализовывать процесс познания этого робота. Результатом будут закономерности (или модели) среды, в которой действует робот. Эти модели и будут использованы при организации его действий, направленных на достижение поставленных целей.

Другой важной технической задачей выявления закономерностей является сжатие информации. Дело в том, что современные средства сбора информации настолько производительны, что очень быстро "забивают" практически любую компьютерную память. Например, стандартный телевизионный датчик требует размещения 10млн. байт информации каждую секунду. Легко вычислить, что он очень быстро перегрузит любую память. Именно поэтому надо сжать такой обильный поток информации. Для этого достаточно выявить его закономерность и фиксировать лишь отклонения от нее, которых, естественно, не будет много (при правильном выявлении закономерностей, разумеется).

Как же решается задача выявления закономерностей? Ее основой является индукция - способ суждения от частного к общему. Напомним, что индукция в определенном смысле противоположна дедукции - суждению от общего к частному по схеме: все объекты типа А обладают свойством В, конкретный объект С принадлежит к типу А, следовательно, он имеет свойство В. Например, все рыбы (это тип А) плавают (это свойство В), следовательно, карась (это объект С) плавает (т.е. обладает свойством В). (Здесь приведено лишь очень узкое толкование понятия дедукции, которое в широком смысле связано с выводом следствия из заданных утверждений (посылок). Именно это определяет дедукцию как основу построения любого теоретического знания, где такой вывод играет определяющую роль. В частном (аристотелевском) смысле дедукция является механизмом, позволяющим переходить от общего суждения к частному).

В индукции же наоборот. По частным конкретным проявлениям (реализациям) следует вывести общую закономерность. Действует индукция по схеме: если некоторые объекты А1, А2, ..., Аk принадлежат к типу А и обладают свойством В, то все объекты типа А имеют свойство В. Например, индуктивным является суждение, что все рыбы плавают по наблюдению за тем, что плавает карась. Индукция - основной и очень эффективный инструмент эмпирического знания. Именно индукция позволяет превращать его в теоретическое знание, т.е. в общие суждения. Но в отличие от дедукции, чтобы сделать правильным индуктивный вывод, необходимо иметь еще некоторые представления об объекте индукции, позволяющие не ошибиться. А ведь ошибиться в процессе индуктивного вывода так легко!

Отметим рискованность всякой индукции. Действительно, по отдельным частным наблюдениям необходимо вывести общую закономерность, которая должна соответствовать всем остальным наблюдениям, которые неизвестны. Здесь очень легко ошибиться. Так, зная, что карась, карп и селедка покрыты чешуей, можно заключить по индукции, что все рыбы имеют чешую. Однако эта закономерность ошибочна: есть рыбы без чешуи (например, сом, акула). Именно поэтому так трудно реализовать эффективный механизм индукции и заключение о выявленной закономерности всегда сопровождают осторожными оговорками "часто", "скорее всего", "вероятно" и др.

Примером реализации простейшего механизма индукции является использование так называемого случайного поиска. Он сводится к случайному изменению исходной закономерности и проверке эффективности этого изменения на имеющихся наблюдениях. Если закономерность в результате случайного изменения стала хуже описывать наблюдения, то следует вернуться к исходной и снова изменить ее случайно. Если же она стала лучше, то следует ее считать исходной и вводить следующее случайное изменение и т.д. Теория и практика подтверждают, что такой способ выявления закономерностей всегда приводит к результату, хотя иногда и требует много времени.

Закономерность является одной из форм знания, и поэтому так важно компьютерам пятого поколения уметь выявлять закономерности, чтобы пополнять свои знания. (О том, как представляются знания в компьютере, мы расскажем в следующей главе).

ПОНИМАНИЕ ЕСТЕСТВЕННОГО ЯЗЫКА

Эта проблема одна из самых трудных в искусственном интеллекте. Ее сложность мы проиллюстрировали в гл.9 на примере задачи перевода с одного естественного языка на другой. Лет тридцать назад думали, что проблема машинного перевода несложна и скоро будет решена. Предполагали, что в 70-х годах компьютер будет бойко переводить любой текст с английского на русский и наоборот. Этот прогноз до сих пор не оправдался. Считалось, что для эффективного перевода достаточно ввести в память компьютера англо-русский словарь и известные правила грамматики обоих языков. Но из этого ничего не получилось. И виной тому стала, прежде всего, многозначность естественного языка - одни и те же слова имеют разный смысл в зависимости от контекста и знаний об окружающем мире. Если компьютеру, ие владеющему необходимыми знаниями, сказать: "Здрасте! Я - ваша тетя", то он будет считать, что с ним здоровается его тетка, он не понял в этих словах иронии, которую высказывают по поводу явно нелепого результата.

Такого рода знания уже выходят за рамки знаний о языке. Это знания о мире, в котором живет пользователь. Для правильного понимания пользователя компьютер должен знать о мире то же, что знает пользователь. Эти знания сосредоточены в базе знаний, которую должен иметь всякий компьютер, претендующий на понимание естественного языка, чтобы правильно истолковывать каждое полученное сообщение (подробнее с базами знаний мы познакомимся в гл.12). Компьютерная база знаний всегда ориентирована на определенную предметную область, в рамках которой работает пользователь. И делается это вовсе не из-за лености разработчиков баз знаний. Просто объем базы знаний на все случаи жизни слишком велик, ведь она должна вмещать все знания, накопленные человечеством! Проблема здесь даже не в том, как разместить такой объем информации в памяти компьютера, а в том, как получить эту информацию. Так что общение с компьютером пока не может быть на любую тему - создать такую базу знаний пока еще (а может быть, и вообще) невозможно. Да и понадобится ли она в дальнейшем? Едва ли стоит тратить столь много усилий, чтобы просто поболтать с компьютером. Так что и с компьютером пятого поколения придется общаться на проблемно-ориентированном естественном языке.

А как же бытовые темы? Ведь компьютерам пятого поколения предстоит войти в каждый дом и общаться с любым человеком. Здесь следует иметь в виду, что запросы пользователя о товарах, расписании поездов или сеансах кино и т.д. являются проблемно-ориентированными разговорами. Но "задушевного" общения с компьютером пятого поколения не будет. Это дело компьютеров будущих поколений.

ПЛАНИРОВАНИЕ ДЕЙСТВИЙ

Эта проблема значительно шире, чем мы ее представили в начале главы. Действительно, планировать свои действия приходится не только роботу, получившему задание. Планировать необходимо при решении любой сложной задачи. Актуальность автоматизации решения задачи планирования действий с каждым годом возрастает, все больше сложных задач нуждается в решении на компьютере. Это задачи робототехники, научно-исследовательские, задачи проектирования, народнохозяйственного планирования, управления и многие-многие другие.

Структура такого рода задач довольно проста - они держатся на трех "китах": исходная ситуация, целевая ситуация и модель среды, в которой приходится планировать действие. Все эти три компоненты необходимы при решении задачи планирования. Например, при планировании действий робота, кроме исходного состояния, необходимо знать целевую ситуацию - какой должна быть среда в результате действий робота. Моделью среды здесь являются его знания относительно того, что произойдет, если будет выполнено то или иное действие. Располагая этой исходной информацией, робот (а точнее, компьютер, являющийся его "мозгом") планирует свои действия так, чтобы исходную ситуацию свести к целевой. Для этого ему нужно уметь оценивать близость сложившейся ситуации к целевой. Очевидно, что планирование действий сводится к тому, чтобы складывающаяся в результате этих действий ситуация была бы как можно ближе к целевой (при соблюдении всех ограничений, разумеется). Действуя так, компьютер "добирается" до целевой ситуации. Так и решается задача планирования действий. Можно действовать и наоборот, двигаясь от целевой ситуации к исходной, что часто бывает удобней и проще.

Здесь, однако, следует отметить, что далеко не всегда критерий локального успеха приводит к цели. В жизни, к сожалению, мы очень часто встречаемся с ситуациями, когда "окольной дорогой ближе, чем прямой", когда надо трезво оценивать возможности. Именно такая оценка заставляет при планировании действий часто отказываться от успеха на каждом шагу, а иногда удаляться от цели, но так, чтобы быстрее достичь ее на последующих шагах.

Так или иначе, но план действий строится на модели среды. Процесс этот сложен по трем причинам. Во-первых, модель среды как описание состояния ее элементов и их взаимодействия всегда получается очень громоздкой. Кроме этого, модель среды должна сопровождаться знаниями о законах, действующих в ней, например нельзя предметы ставить на острые грани, и, наконец, результат какого-то действия нельзя предвидеть заранее - нужно сначала "разыграть" его на модели. Это придает процессу планирования характер проб и ошибок, на что, естественно, приходится затрачивать значительные вычислительные (точнее, моделирующие) ресурсы компьютера. Следовательно, с задачей планирования действия в сложных ситуациях смогут справиться лишь компьютеры пятого поколения, особенно для робота, действующего в быстро изменяющихся ситуациях, когда он должен принимать оперативные решения.

В заключение следует отметить, что методы искусственного интеллекта, которые станут основными методами решения задач компьютерами пятого поколения, обладают следующими важными свойствами.
1. Это технология решения различных проблем в различных областях применения (а не продукция), именно поэтому методы искусственного интеллекта часто называют новой информационной технологией.
2. Широкое применение этой технологии не может не изменить аппаратные средства и, безусловно, окажет влияние на архитектуру компьютеров пятого поколения. Это значит, что методы искусственного интеллекта не только будут программной "начинкой" компьютера, но и определят его структуру, конструкцию его блоков.
3. Именно искусственный интеллект открывает новую эру интеллектуальных машин, с которыми будет общаться не только человечество, но и каждый его представитель. И самым решительным шагом в этом направлении будет создание экспертных систем, в которых методы искусственного интеллекта найдут, пожалуй, наиболее эффективное (и эффектное) применение. Это позволит компьютеру в ряде областей стать умнее (без кавычек) человека-специалиста. (Об этом будет рассказано в гл.14).
***

- Когда речь идет о дедукции,- заметил Мегрэ,- я не могу не вспомнить моего знаменитого коллегу Шерлока Холмса с его дедуктивным методом. Он так ловко раскрывал преступления, пользуясь этим методом, что заинтересовал меня профессионально. Я, конечно, понимаю, что описание механизма раскрытия преступления в художественной литературе далеко от реальности. Но, возможно, что-то и можно использовать в нашей повседневной практике. Ведь дедуктивный метод, придуманный Конан Дойлем, наверное, поддается формализации, может быть запрограммирован и введен в память компьютера. Нельзя ли такой компьютер приспособить для криминального розыска? Что вы думаете по этому поводу, Поль?
- Вы правы, дедуктивный метод легко формализуется,- грустно ответил Поль,- но метод, описанный Конан Дойлем, никак нельзя считать дедуктивным. К сожалению, эту ошибку, давно замеченную специалистами-логиками, никак не могут понять криминалисты. По-видимому, обаяние личности Шерлока Холмса так велико, а впечатление от книг, прочитанных в юности, так сильно, что именно криминалисты продолжают настаивать на дедуктивности метода Конан Дойля.
- А что же это такое?- изумился Мегрэ.
- Это типичный индуктивный метод. И это легко доказать. Помните, как великий сыщик по мельчайшим деталям воссоздал картину преступления? Такой способ и есть индукция. Дедукция же дает возможность заключений лишь от общего к частному, например, искать того, кому это выгодно. Здесь общим положением является утверждение, что всякое преступление не случайно, а результат злой воли, которой оно было необходимо или выгодно. Поэтому всякий, кого устраивают последствия преступления, может подозреваться в соучастии. Таков дедуктивный вывод.
- Ну знаете, чтобы сделать такой "вывод", ума не надо. Это общеизвестная истина. Неужели настоящий дедуктивный метод дает столь тривиальные выводы?- спросил Мегрэ.- Если "да", то грош (точнее, сантим) ему цена.
- Разумеется, нет,- поспешно ответил Поль.- Дедуктивный метод - это метод теоретического знания, которое само по себе является обобщением, ведь всякая теория - это обобщение частных фактов. Располагая теорией, мы всегда можем выводить ее частные следствия, порождать новые факты, точнее, не факты, а положения, которые могут стать фактами при сопоставлении их с действительностью. И именно это обеспечивает дедукция - из общих соображений (теория) выводить конкретные факты (следствия). Это очень сильный инструмент, но для его применения требуются весьма большие и хорошо организованные знания.
- А если все-таки попробовать применить дедуктивный метод в криминалистике. Что из этого вышло бы?- полюбопытствовал Мегрэ.
- Для этого нужно иметь общую теорию преступления, такую его модель, из которой как частные случаи следуют все возможные конкретные преступления. Располагая такой моделью и "подставляя" в нее конкретные факты, полученные на месте преступления, можно "вывести" всю картину преступления, ведь это лишь частный случай! Не правда ли, было бы очень заманчиво?
- Да,- улыбнулся Мегрэ,- дело за малым, за такой моделью. Как только она будет сделана, я ухожу на пенсию: человеку делать будет нечего. Расследование будет вести компьютер! К счастью, этого не произойдет, создать такую модель нельзя. В ближайшее время, разумеется,- добавил он ехидно.
- Но бог (или черт) с ней, дедукцией. Поговорим об индукции в нашем деле. Она не требует теории, как дедукция. И это мне нравится. А чего она требует?
- Комиссар, когда вы почините ваши каминные часы?
- А вы откуда знаете, что они испортились, ведь они остановились только сегодня ночью!- изумился Мегрэ.
- Я определил это по кофейному пятну на вашем галстуке.
- А какая связь между пятном на моем галстуке и ходом каминных часов? - спросил Мегрэ.- Сержант Поль! Прекратите разыгрывать меня. Вы были сегодня в моем доме? И видели остановившиеся часы?
- Нет, шеф,- улыбнулся Поль.- Я вывел этот факт индуктивно. Зная вашу аккуратность, я понял, что вы торопились и поэтому не успели сменить галстук. А зная вашу пунктуальность, я понял, что ваша торопливость была вызвана объективными причинами. А так как вы были совершенно спокойны весь день, я понял, что мадам Мегрэ здорова и никаких неприятностей у вас не было. Оставалась одна простейшая причина - вы просто проспали, так как часы остановились и не пробили вовремя.
- Да, но могло быть все совсем по-другому!
- Конечно! И в этом рискованность всякой индукции. Но, кроме риска, у нее есть еще одно важное свойство. Если дедуктивный вывод может сделать любой (при наличии теории, разумеется), то для того, чтобы сделать индуктивный вывод, нужно многое знать по поводу объекта вывода и суметь это "спользовать. Я должен был многое знать, чтобы заключить, что ваши часы остановились. Любой ваш случайный посетитель, наверное, решил бы, что вы просто небрежны.
- Вы утверждаете, что я действую по индуктивному методу? Стало быть, я кое-что знаю и умею.
- Конечно! Простак, даже самый исполнительный, не может быть хорошим сыщиком. Помните капитана Лестрейда из Скотланд Ярда? Этот служака не был обременен знаниями и именно поэтому на каждом шагу попадал впросак.
- Но неужели Конан Дойль так легко и грубо ошибся, назвав индуктивный метод дедуктивным? Ведь логика - очень старая наука, и понятия индукции и дедукции сформировались еще во времена Аристотеля.
- Думаю, что Конан Дойль обратил внимание лишь на одну сторону расследования - дедуктивную. Наверное, он под этим понимал не собственно дедукцию, а логический метод вывода, который опирается и на дедукцию, и на индукцию.
- Да, пожалуй, нам приходится пользоваться и тем, и другим. Когда по имеющимся на месте преступления следам и фактам надо восстановить картину преступления, построить версию, то здесь мы занимаемся индукцией - от частного к общей картине. А когда надо проверить справедливость версии или отвергнуть ее, то действуем дедуктивно - проверяем справедливость частных следствий из этой версии. Все следствия версии должны подтверждаться. Только тогда версия доказана и становится поводом для обвинения (или оправдания). Если же хоть одно следствие из версии не подтверждается, то эту версию следует отвергать или корректировать. Эта самая трудная часть. Трудная не только потому, что надо создавать новую версию, согласующуюся со всеми имеющимися фактами, но и потому, что сам поверил в эту версию (иначе не выдвигал бы ее). И так хочется отвергнуть не версию, а факты, противоречащие ей, или поставить их под сомнение.
- Вот именно для этого и нужен компьютер,- весело заметил Поль.- Ведь он не знает эмоций и пристрастий. И будет генерировать и проверять новые версии до тех пор, пока не будет найдена неопровержимая.
- Что ж, может быть, доживем и до этого.

12. ТЯЖКИЙ ПУТЬ ПОЗНАНИЯ (ПРЕДСТАВЛЕНИЕ ЗНАНИЙ В КОМПЬЮТЕРЕ)
ЧТО ТАКОЕ ЗНАНИЕ?

Четкий ответ на этот вопрос дан в философском словаре. Знание - это "идеальное выражение в знаковой форме объективных свойств и связей мира, природного и человеческого". Против такого общего определения трудно что-либо возразить, но и использовать его также трудно. Конкретизируем его. Назовем знанием набор моделей об окружающем нас мире. Такого рода знания являются прямым следствием потребностей человека эффективно действовать в этом мире. А чтобы действовать, надо прежде всего иметь представление о том, с чем будешь иметь дело, о тех предметах, явлениях, процессах - вообще объектах, с которыми придется взаимодействовать. Чем лучше эти представления, тем, естественно, успешнее будет действие, связанное с этими объектами. Именно поэтому так важны правильные представления, знания об окружающем мире. Это и есть модели.

Знания удобно подразделять на стратегические, которые могут оказаться полезными в будущем, и тактические, отражающие специфику сложившейся ситуации и нужные для образования сиюминутного поведения. И тот и другой вид знания совершенно необходим для полноценной деятельности. Действительно, отсутствие стратегического знания делает человека беззащитным в критических ситуациях, когда требуется быстро принять эффективное решение и нет времени. Без тактического знания, учитывающего особенность и специфику сложившейся ситуации, человек попросту лишен возможности приспосабливаться к окружающей среде. Если без тактического знания вообще нельзя обойтись, то без стратегического - можно, но очень плохо. Чем больше запас стратегического знания, тем эффективнее можно строить свое поведение. Запасание этих знаний идет впрок и без гарантии, что они понадобятся в дальнейшем (ведь нельзя представить всех ситуаций, в которые попадет индивидуум в будущем). Так, львиная доля знаний, получаемых нами в детстве, стратегического характера и поэтому зачастую не используется во взрослой жизни.

Такая двойственность стратегических знаний - необходимость в критических ситуациях и явная избыточность - неизбежная плата за их универсальность. И именно стратегические знания, их эффективное представление в памяти компьютера, чтобы оперативно использовать их для решения поставленных задач, и является предметом забот при создании интеллектуальных компьютерных систем и одной из злободневных проблем компьютерного интеллекта.

Сделаем следующий шаг в конкретизации понятия знания. И этот шаг приводит к модели. Это вовсе не означает, что знание и модель эквивалентны. Знание шире модели, но всякая модель является, безусловно, знанием. Более того, знания в основном состоят из моделей. Это и дает нам основание рассматривать знание как модель.

Модель - очень удобная форма знания об окружающем нас мире. Всякое знание связано с объектом, относительно которого это знание имеет место. Например, кадровая анкета представляет собой знание о человеке. Но знание это неполное, усеченное, куцее, и тем не менее оно в некотором, очень узком, смысле является эквивалентом человеку (как это ни звучит парадоксально). Более того, эта анкета часто заменяет человека при решении некоторых кадровых вопросов.

Идея замены объекта некоторым его простым информационным эквивалентом и лежит в основе процесса познания. Таким эквивалентом является модель объекта. Познавая окружающий мир, мы строим модели явлений, процессов, предметов и т.п.- объектов этого мира.

Итак, модель - это информационный эквивалент объекта, созданный для достижения определенных целей. Очевидно, что с изменением целей меняется и модель объекта. Например, кадровая анкета молодого работника существенно отличается от личной "анкеты", которую ведут его молодые сотрудники по работе. Оно и понятно: цели составления этих анкет очень разные.

Но было бы неправильно ограничивать модели только анкетой объекта. Анкета - лишь простейшая форма модели, она содержит перечень некоторых свойств объекта и может заменить его лишь в том случае, если необходимо знать именно эти свойства. А если понадобились другие? Ведь принимая решение относительно какого-то объекта мы прежде всего интересуемся свойствами, нужными для этого решения, а не теми, которыми располагаем. Вот и получается, что анкета, как бы подробна она ни была, часто не удовлетворяет потребностям. Волей-неволей приходится обращаться к самому объекту. Именно этим свойством анкеты как модели пренебрегают бюрократы, когда принимают решения относительно работника по его анкете, за что их давно и заслуженно критикуют.

Более полная модель объекта должна содержать не только сведения о его измеренных свойствах, но и о тех, которые не измерялись. Возможно ли это? Возможно, но, конечно, в ограниченной мере. Например, зная, что в заданном режиме объект имеет определенное свойство, естественно считать, что при небольшом изменении этого режима указанное свойство изменится тоже незначительно. Такая экстраполируемость данных позволяет определять на модели свойства объекта, которые не измерялись заранее. Это и есть самое ценное свойство модели - не быть "складом" исходных сведений об объекте, его анкетой, а предоставлять возможность судить о возможном поведении объекта в ситуациях, в которых его свойства не измерялись, т.е. не записаны в анкете. Например, можно по кадровой анкете определить цвет волос человека? Наверное, нельзя. А по медицинской анкете - по истории его болезни? Можно, в какой-то мере, если привлечь необходимые сведения о связи цвета волос с различными заболеваниями (известно, например, что рыжеволосые чаще других болеют аллергическими заболеваниями).