Дэниэл Деннет - Опасная идея Дарвина: Эволюция и смысл жизни

Сэмюэл видел, что Чрезвычайно большое пространство шашечных партий было бы возможно исследовать лишь методом, предполагающим рискованное обрубание ветвей древа поиска. Но как подойти к созданию обрубающих и отбирающих демонов, которые могли бы это сделать? Какие легко программируемые правила прекращения поиска или функции оценки с наибольшей вероятностью позволят вести поиск в правильных направлениях? Сэмюэл искал надежный алгоритмический метод поиска и делал это эмпирически, начав с разработки способов механизации всех очевидных практических правил, какие только приходили ему на ум. В их список, разумеется, входили «семь раз отмерь» и «на ошибках учатся», а следовательно, система должна была обладать памятью для хранения информации о полученном опыте. Прототип довольно успешно развивался за счет «зубрежки»: просто накапливая память о тысячах ситуаций, с которыми он уже сталкивался и о чьих последствиях знал. Но эффективность зубрежки ограничена; когда программа Сэмюэла накопила в ближайшем окружении миллионы слов описаний предшествующего опыта и начала испытывать проблемы с упорядочением и поиском информации, эффективность стратегии резко снизилась. Когда требуется большая эффективность или универсальность, приходится прибегать к иной конструкторской стратегии: обобщению .

Вместо того чтобы пытаться самостоятельно набрести на нужную процедуру, Сэмюэл попытался сделать так, чтобы ее отыскал компьютер. Он хотел, чтобы компьютер сам разработал для себя оценочную функцию – математическую формулу (многочлен), присваивающую положительное или отрицательное число каждому оцениваемому ходу, так чтобы в целом соблюдалось правило: чем выше число, тем лучше ход. Многочлен должен был состоять из многих одночленов, каждый из которых бы увеличивал или уменьшал общую сумму, умноженных на тот или другой коэффициент и учитывающих разные другие обстоятельства, но Сэмюэл понятия не имел, какого рода сочетание элементов будет действенным. Он составил примерно тридцать восемь фрагментов программы – «слагаемых» – и поместил их в «библиотеку». Некоторые из слагаемых были интуитивно значимыми (например, те, что присуждали очки за увеличение подвижности или потенциально «съеденные» шашки противника), но другие были взяты более-менее наобум (например, ДАМБА: «параметру засчитывается 1 очко за каждую линию из неподвижных шашек, занимающих три соседние клетки по диагонали»). В каждый момент времени шестнадцать слагаемых сочетались, образуя рабочий геном активного многочлена, тогда как прочие оставались в библиотеке. После множества вдохновенных догадок и еще более вдохновенной наладки и настройки Сэмюэл разработал правила, позволяющие исключать участников из состязания, и понял, как сделать так, чтобы котел бурлил, а поиск методом проб и ошибок с высокой вероятностью приводил к составлению удачных комбинаций слагаемых и коэффициентов (и такие комбинации распознавались). Программа была разделена на Альфу (быстро изменяющуюся новаторскую часть) и Бету (ее консервативную соперницу, воспроизводящую стратегию, приведшую к победе в последней игре). «После каждого хода Альфа обобщает свой опыт, изменяя коэффициенты в своем оценочном многочлене и заменяя слагаемые, оказавшиеся несущественными, новыми параметрами, взятыми из листа ожидания» 290.

Сначала было принято решение произвольно отбирать 16 слагаемых, причем все они начинали с одинаковым счетом… во время [первых раундов] было отброшено и заменено в целом 29 разных слагаемых – большинство из них в двух разных ситуациях… Качество игры было очень низким. В ходе семи следующих игр было проведено по меньшей мере восемь замен в верхней части списка – они касались пяти различных слагаемых… качество игры постепенно улучшалось, но машина все еще играла довольно плохо… Некоторые достаточно умелые любители, игравшие с машиной в этот период [после еще семи игр], согласились, что победить ее «нелегко, но возможно» 291.

Сэмюэл отмечал, что, хотя на этой ранней стадии обучение шло удивительно быстро, процесс был «довольно хаотичным и не слишком устойчивым» 292. Он осознавал, что исследуемое пространство представляло собой неровный адаптивный ландшафт, на котором программа, использовавшая простые методы подъема по склону, была склонна попадать в ловушки, оказываться неустойчивой и зацикливаться – из этих неприятностей ей не удавалось выбраться без одного-двух побудительных толчков разработчика. Он смог распознать «дефекты» своей системы, приводившие к подобной неустойчивости, и устранить их. Финальная версия системы – та, что победила Нили, – представляла собой нечто вроде машины Руба Голдберга, состоящей из зубрежки, костылей 293и результатов самопроектирования, которые и самому Сэмюэлу представлялись весьма загадочными.

Неудивительно, что программа Сэмюэла стала грандиозной сенсацией и очень повлияла на первых идеологов искусственного интеллекта, но энтузиазм по поводу таких самообучающихся алгоритмов вскоре сошел на нет. Чем чаще люди пытались использовать эти методы для решения более сложных задач – например, для игры в шахматы, не говоря уже о практических, не имеющих отношения к играм проблемах, – тем чаще казалось, что своим успехом дарвиновская обучающаяся программа Сэмюэла была обязана скорее сравнительной простоте игры в шашки, чем могуществу лежащей в ее основе способности к обучению. Было ли это концом дарвиновского искусственного интеллекта? Разумеется, нет. Ему лишь пришлось на некоторое время – пока компьютеры и ученые-компьютерщики не смогут продвинуться к более высоким уровням сложности – впасть в спячку.

Сегодня потомки программы Сэмюэла размножаются с такой быстротой, что за последние год-два появилось как минимум три новых журнала для обсуждения связанных с ними проблем: Evolutionary Computation , Artificial Life и Adaptive Behavior . Первый из них освещает преимущественно традиционные вопросы инженерного искусства: использование моделируемой эволюции как метода расширения практических возможностей проектирования для программистов и инженеров по программному обеспечению. Разработанные Джоном Холландом (который вместе с Артом Сэмюэлом работал в IBM над программой для игры в шашки) «генетические алгоритмы» продемонстрировали свою эффективность в прагматичном мире производства программного обеспечения и образовали класс разновидностей алгоритмов. Другие два журнала посвящены исследованиям более биологического характера, где симуляция эволюционных процессов позволяет нам, по сути дела, впервые в истории, изучить процесс самой биологической проектно-конструкторской деятельности, манипулируя им – или, скорее, его крупномасштабными моделями. Как сказал Холланд, программы Искусственной жизни и в самом деле позволяют нам «отмотать назад пленку истории» и раз за разом, в многочисленных вариантах, проигрывать ее заново.