Питер Бентли - Всё об искусственном интеллекте за 60 минут

«Эволюция в компьютере» звучит странно, но этот подход к ИИ существовал с первых дней развития компьютеров. Вместо того чтобы пытаться написать программу, которая решает проблему, выполняя вычисления и выводя ответ, специалисты, предпочитающие эволюционный подход, создают виртуальный мир и позволяют компьютеру находить решение самостоятельно, генерируя все лучшие и лучшие его варианты. Генетический алгоритм – один из инструментов такого подхода. Он работает, создавая случайную совокупность довольно бесполезных решений, ранжируя их по степени соответствия (того, насколько хорошо они решают проблему) и позволяя развиваться только наиболее подходящим. Затем новое поколение решений ранжируется по степени точности, и вновь лучшие отбираются для следующего раунда. Неизменно дочерние программы наследуют от своих родителей цифровой генетический код, смешанный таким образом, что каждому потомку от каждого из родителей достаются случайные куски кода со случайными мутациями, привносящими новизну. После того как генетический алгоритм проработает достаточно много поколений, в образовавшейся популяции программ образуются вполне подходящие варианты решения проблемы.

Симс был не единственным пионером, продемонстрировавшим оригинальность и новизну цифровой эволюции. Пятью годами раньше Уильям Лэтэм и Стивен Тодд написали программу Mutator . Для первого, как для художника, это была революционная форма искусства, потому что, строго говоря, он не создавал ее. Искусство Лэтэма развивалось в компьютере. В этом случае творец действовал как «всевидящее око» – выбирал, какие из решений продолжат свое существование в потомках, а какие умрут, поскольку именно он оценивал художественную ценность появлявшихся вариантов. Подобно заводчикам животных, Лэтэм разводил свое искусство, выбирая те формы, которые он считал достойными, и из случайного хаоса возникали необычные, кружащиеся формы и потусторонние образы.

Некоторые существа выглядели так, будто они с чужой планеты… они постоянно развивались, всегда немного меняя форму.

В 1983 году Уильям Лэтэм, молодой британский художник с необычными идеями, был очарован природой и сложными формами живых существ. Он начал развивать свой собственный стиль, рисуя обширные генеалогические древа и родословные линии воображаемых форм, которые медленно менялись со временем в соответствии с правилами наследственности и изменчивости. Вскоре Лэтэма пригласили стать научным сотрудником в исследовательской лаборатории IBM [9] International Business Machines – американская компания, крупнейший производитель аппаратного и программного обеспечения. Каждая студия IBM имеет свою специализацию. в Херсли, и он долго сотрудничал там с математиком и разработчиком IBM Стивеном Тоддом. Вместе они создали компьютерную программу Mutator . Лэтэм рекламировал программное обеспечение в различных компьютерных журналах и даже создавал обложки для музыкальных альбомов. Вскоре его компьютерные анимации стали регулярно использоваться в танцевальных и рейв-клубах. Какое-то время Лэтэм также руководил собственной компанией по производству компьютерных игр, которая выпустила несколько хитов. Совсем недавно он вернулся к своему эволюционному искусству в качестве профессора Голдсмитского колледжа в Лондоне и сейчас вновь работает со Стивеном Тоддом, а также его сыном, разработчиком программного обеспечения Питером Тоддом. Вместе они создали компанию London Geometry , чтобы развивать свои идеи.

Генетические алгоритмы и их близкие родственники, эволюционные стратегии и эволюционное программирование, восходят к самым ранним дням информатики. Алгоритмы, работающие по принципу муравьиных колоний, и искусственные иммунные системы оказались сравнительно недавними дополнениями 1990-х годов. За последние несколько лет исследователи показали, как много естественных процессов могут вдохновлять создателей программ. Существуют алгоритмы оптимизации, основанные на поведении пчел и естественных процессах, таких как осевые силы, интеллектуальный алгоритм капель воды и динамика формирования реки. Другие имитируют поведение крупных млекопитающих, например их миграцию, или, довольно многие, – поведение насекомых и даже растений. И это не говоря уже о тех алгоритмах, что подражают птицам и рыбам!

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

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

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