Umělá inteligence

Umělá inteligence (UI, anglicky Artificial intelligence, AI) je obor informatiky zabývající se tvorbou strojů vykazujících známky inteligentního chování. Definice pojmu „inteligentní chování“ je stále předmětem diskuse, nejčastěji se jako etalon inteligence užívá lidský rozum. S tímto pojmem poprvé přišel John McCarthy v roce 1955.

Výzkum umělé inteligence je vysoce odborný a specializovaný, navíc je rozdělen do několika polí, které často nelze názorově spojit. Celý výzkum se rovněž dělí na několik technických problémů; některá podpole se zabývají řešením konkrétních problémů, některá zase například na použití konkrétních nástrojů či dosažení konkrétních aplikací.

Mezi hlavní problémy v rámci výzkumu umělé inteligence patří uvažování, znalosti, plánování, učení, zpracovávání přirozeného jazyka (komunikace), vnímání a schopnost se pohybovat či manipulovat s předměty. Dosažení obecné inteligence je stále jedním z hlavních cílů výzkumu v tomto oboru.

Z psychosociálního hlediska je umělá inteligence jednou z forem ne-lidské inteligence.

Zpracování informace lidským intelektem a počítačem.

Proč je, pro práci v oboru umělé inteligence, důležité vědět, čím se liší principy zpracování informace lidskou psýchou a počítačem? Umělá inteligence si vytkla za cíl imitovat činnost člověka, která se považuje za inteligentní, vhodným umělým zařízením, za které se všeobecně považuje počítač (program) či kognitivní robot. Je proto účelné vědět, jak taková imitace může být uskutečněna a kde jsou její meze, jak tomu u imitace vždy je. Budeme v tomto ohledu vycházet z publikace . Všimneme si přitom řetězce: poznání, zpracování informace (myšlení) a sdělování, a to jak u člověka, tak u umělého zařízení. Důvod je ten, že v tomto řetězci je primárním činitelem právě poznání (zdroj informace), které vyžaduje jisté vlastnosti jazyka, který poznání provází a nakonec poznané umožňuje sdělovat. Jinými slovy, typ poznání (podle filtru poznání) se otiskuje do vlastností odpovídajícího jazyka. Přirozené poznání člověka používající jako filtr vágnost, vyžaduje neformální jazyk (vnitropsychický a vnější sdělovací) vybavený jistou dávkou nezávaznosti postavenou na (vnitřní) vágnosti. Naproti tomu umělé poznání používající Newtonův diskrétní filtr, vyžaduje umělý formální jazyk se zakázanou (nulovou) vnitřní vágností. Umělý formální jazyk je společný umělému poznání, tedy exaktní vědě a světu exaktních strojů, kterým říkáme počítače, viz heslo Exaktní. Exaktní jazyk je vázán na exaktní (Newtonovo viz Exaktní věda) poznání. Je to poznání exaktních věd a umělých zařízení (čidel, detektorů …). Všímáme si tedy dvou světů: lidského neexaktního protchnutého (vnitřní) vágností a umělého exaktního se zakázanou (nulovou) vnitřní vágností. Umělá inteligence současnosti jde cestou: lidský svět modelovat světem exaktním. Jaká omezení pro umělou inteligenci z toho plynou, ukážeme v dalším.

Jiná cesta umělé inteligence, a to odhalování struktury lidského mozku a její modelování, je zatím málo rozvinutá. Naráží jednak na složitost dosud poznaných částí lidského mozku, neboť lidský mozek má řádově 100 miliard neuronů a každý z nich je velmi složitým útvarem s vlastním informačním hospodářstvím a mezi neurony existuje cca 10¹⁵ synaptických propojení. Dále možnost modelování naráží i na zatím nepoznané jiné části mozku. To tedy na úvod.

Poznání

Nejdříve dva důležité pojmy (zavedené a používané v oboru umělé inteligence):

● Znalostí se rozumí vztah rozpoznaný mezi daty.

● Kognitivní model je soubor znalostí o dané části reálného světa.

Je třeba rozeznávat kognitivní model vnitřní tj. vnitropsychický, uchovávaný a zpracovávaný v lidském vědomí (a asi i nevědomí), v hypotetických vnitřních jazycích: představovém, pocitovém a přirozeném a v jejich směsici, a dále pak vnější model, reprezentovaný ve vhodném vnějším sdělovacím jazyce. Schopnost poznání je základní přírodní výbavou člověka (a i jiných tvorů) umožňující mu získávat informace o reálném světě, v němž žije, a tak orientaci a přežití. Jedním z hlavních úkolů poznání je z vnímané části gnoseologicky infinitní (nekonečně rozsáhlé a hluboké) reality vytvořit kognitivní model, který je konečný z hlediska množství obsažené informace. Při poznávání tak nutně dochází k redukci informace na základě selekce. Pro tento účel musí existovat filtr poznání.

Přirozené nástroje

Jako filtr přirozeného poznání vytvořený přírodou slouží vágnost - rozmazanost, mlhavost, neurčitost, podrobněji v . Projevuje se vágností vnímání a následného vágního zpracování informace v lidském vědomí (a asi i nevědomí).

Pro každou část reality, kterou člověk vnímá, si vytváří vnitropsychický kognitivní model oné části reality, sestávající z inherentně vágních znalostí. Jiné než vágní znalosti člověk svým přirozeným poznáním hmotného světa není schopen získat , a myšlení je s touto vágností inherentně spjato. Vágnost vnesenou do znalostí filtrem poznání označujeme jako vágnost vnitřní; je to vágnost primární , . Vnitřní vágnost může tak existovat pouze v lidském vědomí (a asi i nevědomí), je to vágnost vnitřních (vnitropsychických) jazyků. Vnitřní vágnost jakožto vágnost vitropsychických jazyků, je neuchopitelná jakýmikoli dosud známými nástroji popisu entit, a tak je zatím nemožné ji modelovat. Jinak řečeno, v současné době nedovedeme vytvořit žádné umělé prostředí (model) vágního filtru poznání a následného vágního zpracování informace. Člověk má od přírody schopnost své vágní znalosti sdělovat dalším lidem (adresátům). Jazykové konstrukce (například věty) přirozeného jazyka tedy zákonitě musí mít vágní význam, vágnost jazyka je sekundární, indukovaná. Při sdělování lze do určité míry rozhodnout, jaký díl vágnosti adresátovi vyjevíme vhodnou jazykovou konstrukcí, tedy jak vágní bude sdělení. S vnitřní vágností lidské vědomí a asi i nevědomí vágně interpretuje (říkáme konotuje - konotaci někteří psychologové chápou jako vágní, subjektivní a emocionálně zabarvenou interpretaci .) jazykovou konstrukci přirozeného (obecně: neformálního) jazyka a tím jí přiřazuje význam – vnitropsychický kognitivní model. Vágnost sdělovacího jazyka, označujeme jako vágnost vnější , . Ukazuje se, že uvedené dva typy vágnosti mají rozdílnou roli. První je skutečně niterná, veskrze prolínající lidské vědomí; je podmínkou a součástí myšlení, cítění a bytí člověka. Druhá, vnější, je produktem myšlení a doprovází informaci natolik zpracovanou, že tato může vnitropsychický kognitivní model opustit – být sdělena. Vágnost přirozeného jazyka se projevuje jednak vágní interpretací (říkáme jí konotace) jazykových konstrukcí (tu může adresát spíš tušit a odhadovat) a pak znejisťujícími a znepřesňujícími jazykovými konstrukcemi, např. neurčitými kvantifikátory: možná, přibližně, několik apod., které adresáta na neurčitost upozorňují. Sdělovacími jazyky neformálními či formálními lze tedy uchopit – modelovat, jen vágnost vnější. Hranice mezi oběma typy vágnosti je u neformálních jazyků nevyhraněná a do jisté míry pohyblivá.

Umělé nástroje – když vnitřní vágnost vadí

Vnitřní vágnost sdělení jednoho člověka je pro druhého člověka utajená, může jí jen tušit, odhadovat. S vnitřní vágností se buď musíme smířit, což je lidské, nebo se můžeme pokusit ji zmenšovat, případně zcela odstranit, což je vědecké. Nároky na přesnost formulace vědeckých poznatků a jejich sdělování vyžadují minimalizovat vnitřní vágnost, s níž člověk interpretuje jazykové konstrukce sdělovacího jazyka, a takto zlepšovat přesnost sdělení. Pro upřesnění poznamenejme, že i při nulové vnitřní vágnosti může být vnější vágnost sdělení nenulová. Znamená pak neurčitost, s jakou jsme schopni či potřebujeme pozorovat a jazykově popisovat entity reálného světa. Vnější vágnost lze pak vyjadřovat např. stochastickými hodnotami veličin, stochastickými funkcemi popisující vztahy mezi veličinami, fuzzy logikou (.), apod.

Nejrůznější vědecké postupy mají za cíl zkvalitňovat důvěryhodnost a přesnost získaných vědeckých poznatků. Pro jejich formulaci je však třeba budovat přesnější jazyk, s menší vnitřní vágností sdělení, než je běžné v denním životě. Slouží k tomu účelově (oborově) budované terminologie umožňující přesněji popsat zkoumanou realitu. Lidé vzdělaní v oboru znají odborné termíny s malou vnitřní vágností, tedy s dost přesnou interpretací a tak dost přesně vědí, co jednotlivé pojmy znamenají. Základní termíny jsou tvořeny na základě konsensu, odvozené pak z nich definicí. Potřeba snížit vnitřní vágnost až do extrému, tedy nuly, byla uskutečněna Galileou a Newtonem. Vědy neexaktní, (říkáme jim popisné vědy) využívají principu přirozeného lidského poznání, pouze vhodně zpřesňovaného. Vědy exaktní (postavené na požadavku nulové vnitřní vágnosti interpretace všech jazykových konstrukcí popisující znalosti) se samozřejmě musí filtru vágnosti zříci a nahradit ho jiným, umělým filtrem a tak používat umělé poznání.

Vnitřní vágnost má těsnou souvislost s relativně novou veličinou a tou je sémantický diferenciál. Souvislost je ta, že jedním z projevů vnitřní vágnosti je vágní, subjektivní a emocionálně zabarvená interpretace ( konotace ) jazykových konstrukcí přirozeného jazyka a tu právě sémantický diferenciál vyjadřuje. Sémantický diferenciál umožňuje našemu chápání poněkud přiblížit, a též (principiálně) měřit, jinak neuchopitelnou vnitřní vágnost. Sémantickým diferenciálem se rozumí rozdíl v konotaci přiřazující význam jisté jazykové konstrukci různými lidskými individui. Každé z individuí konotaci provádí na základě svého subjektivního, inherentně vágního, vnitropsychického kognitivního modelu. Ještě zde přistupuje faktor času. Každé z oněch lidských individuí v čase poněkud mění svůj vnitropsychický kognitivní model a tak i konotaci dané jazykové konstrukce. Sémantický diferenciál je tedy veličina závislá na (n+1) proměnných, kde n je počet uvažovaných lidských individuí a zbývající proměnná je čas.

Sémantický diferenciál byl zaveden v práci tří amerických psychologů: Osgooda, Suciho a Tannenbauma , kde je uvedena i jedna z metod jeho měření. Tito autoři sémantický diferenciál prezentují především jako metodu měření intenzity psychologických a sociologických postojů toho kterého člověka k dané situaci, nejčastěji v 5 až 7 - mi stupňové škále. Jde o získání dat kvantifikujících sémantický diferenciál.

Nulová hodnota sémantického diferenciálu odpovídá nulové hodnotě vnitřní vágnosti konotace a tak limitnímu případu spočívajícímu v naprosté shodě všech komunikujících účastníků na významu jisté jazykové konstrukce. V tomto případě tedy lze jazykovou konstrukci exaktně interpretovat. Toto je základem umělého poznání a základem exaktních věd. Umělému poznání přísluší umělý formální jazyk, vždy s nulovou vnitřní vágností interpretace všech jazykových konstrukcí. Pro upřesnění poznamenejme, že i při nulové vnitřní vágnosti může být vnější vágnost sdělení nenulová. Znamená pak neurčitost, s jakou jsme schopni či potřebujeme pozorovat a jazykově popisovat entity reálného světa. Vnější vágnost lze pak vyjadřovat např. stochastickými hodnotami veličin, stochastickými funkcemi popisující vztahy mezi veličinami, fuzzy logikou apod. Jinými slovy: Vágnost smí být v hodnotách veličin a ve vztazích mezi veličinami (vnější vágnost), nesmí být v jejich interpretaci (vnitřní vágnost).

Nulový sémantický diferenciál je též nutnou podmínkou pro použití umělých formálních jazyků – matematika, logika a dalších (v umělé inteligenci též: soustavy pravidel, různé typy logik, sémantické sítě, rámce, apod.) a nutnou podmínkou pro funkci formální inference (viz dále).

Připomeňme zde, že jednou z funkcí vágnosti ve sdělení je vyladění - optimalizace pravdivosti sdělení – nejmenší ztráta informace. Optimalizace pravdivosti sdělení adekvátní vágností říká: "Sdělení má mít stejnou vágnost jakou má informace získaná poznáním." Vysvětlení: Vnáší-li sdělující do sdělení větší vágnost, než odpovídá jeho poznání (zdroji informace), ošizuje adresáta o informaci. Na druhou stranu, zmenšuje-li vágnost sdělení oproti vágnosti svého poznání, „vymýšlí si“ a znehodnocuje předávanou informaci. .

Extrémní případ nastává, jestliže požadujeme odbourat vnitřní vágnost ve sdělení zcela (sdělovacím jazykem je pak umělý formální jazyk), pak ovšem musí být vágnost nejprve zcela odbourána v poznání (zdroji informace) a toho, jak víme, lze dosáhnou pouze Newtonovým umělým poznáním.

Umělý formální systém

Není zde místo pro zevrubné vysvětlení toho, co se rozumí formálním systémem. Čtenáře, který se chce hlouběji seznámit s problematikou umělých formálních systémů, odkazujeme na čtivě a vtipně, přitom erudovaně, napsaný článek

Ve formálním systému důsledně rozlišujeme část

● formální tj. symbolovou a odvozovací (inferenční) – čistě syntaktické útvary

● sémantickou tj. významovou, přiřazenou interpretací

Formální systém je tvořen těmito čtyřmi základními stavebními kameny:

– vybranou abecedou jazyka (množinou symbolů)

– stanovenými axiomy (jsou to pro inferenci výchozí syntaktické tvary - řetězce symbolů)

– stanovenými pravidly formace tj. podmínkami, které musí splňovat správně utvořené formule jazyka (řetězce symbolů)

– stanovenými inferenčními (odvozovacími) pravidly

Příklady formálních systémů: Jazyk kterékoli partie matematiky se považuje za umělý formální jazyk a s inferenčními pravidly tvoří formální systém např. predikátová logika, fuzzy logika, ucelené partie algebry či diferenciálního a integrálního počtu, exaktní hry (šachy, dáma, Hanojské věže, karetní hry atp.). Za umělou paralelu přirozeného myšlení je považována inference (odvozování) v umělém formálním systému, neboť vede k získání nové znalosti, podobně jako je tomu u lidského myšlení ; operuje se s jazykovými konstrukty (symboly) místo s myšlenkami

Inferenci známe jako odvozování v matematice a logice. Matematika, logika a jiné formální systémy mohou popisovat znalosti a operace s nimi. Pokud je inference v umělém formálním jazykovém systému modelována na počítači, mluví se obvykle o symbolické reprezentaci znalostí a o symbolické manipulaci (s nimi). Počítačové modelování inference bylo v 50. letech min. století považováno za základ nového oboru umělé inteligence a u jeho zrodu stály práce , ,

Ztráta hybatele inference

Vykázáním vnitřní vágnosti za hranice formálního systému, jsme vykázali nejen lidského ducha invence žijícího v hypotetickém vágním představovém a pocitovém jazyce, ale s ním i invenční schopnost samohybnosti myšlení. Tak jsme přišli o hybatele inference v rámci formálního systému. Ztráta samohybnosti inference, nemožnost jejího přenosu do formálního systému se zakázanou vnitřní vágností, je krokem od člověka ke stroji; je krokem od živého k neživému v informatickém smyslu .

Dva typy znalostí, mezi nimiž je propast

Mezi znalostmi o reálném světě získanými přirozeným poznáním a znalostmi získanými poznáním Newtonovou metodou exaktních věd, je kvalitativní propast. V prvém případě se na svět díváme filtrem vágnosti, v druhém případě filtrem diskrétním. V prvém případě získáváme znalosti s inherentní vágností a můžeme je popsat (representovat) a sdělovat jen a jen neformálním jazykem, nejčastěji přirozeným. V druhém případě se na svět díváme diskrétním („dírkovaným“) filtrem Newtonovým, a „dírkami“ vidíme pouze zástupce reálného světa: veličiny, parametry a matematicky reprezentované vztahy mezi nimi. Získáme tak znalosti exaktní, bez vnitřní vágnosti interpretace, a můžeme použít exaktního umělého formálního jazyka. Použít v tomto případě přirozeného jazyka je principiálně možné, ale není to příliš účelné, zejména proto, že složitější vztahy jsou nepřehledné a tak je zápis nepoužitelný, a pak, že přicházíme o velice efektivní nástroj formální inference - odvozování; nemůžeme tedy nic „vypočítat“. V tomto případě neděláme nic jiného, než že přirozeným jazykem hovoříme o veličinách, parametrech a matematicky reprezentovaných vztazích mezi nimi. V žádném případě nelze použít umělého formálního jazyka pro popis inherentně vágních znalostí. Je to proti principu umělých formálních jazyků, je to popřením jejich ustavujících podmínek: nulové vnitřní vágnosti interpretace všech ve formálním systému užitých symbolů - jazykových konstrukcí.

Formalizace

Setkáváme se s ní původně při výkladu formální logiky a nověji v umělé inteligenci. Obvykle se jí rozumí: jazykovou konstrukci přirozeného jazyka s inherentní vnitřní vágností nahradit jazykovou konstrukcí formálního jazyka s nulovou vnitřní vágností za podmínky zachování významu, tedy odpovídajícího vnitropsychického kognitivního modelu. Což je nemožné. Vnitřní vágnost poznání je inherentní, je neodstranitelná. Je to nedomyšlený pokus, lidský svět vágního poznání a myšlení modelovat exaktními nástroji, jak jsme uvedli na začátku.

Je třeba s obdivem říci, že Newton, o 250 let dříve než Russell a jiní, pochopil, že formalizace je možná, jen a jen když se s ní počítá již od počáteční fáze poznávání a vybudují se pro ten účel vhodné nástroje cestou zastupování reálných entit veličinami, parametry a vztahy mezi nimi. Tak dojde k použití filtru diskrétního místo filtru vágnosti. Toto nelze provést dodatečně, byl-li už použit filtr vágnosti, jak se o to pokouší formalizace. Nápad s formalizací připomíná známé úsměvné filmové rozbíjení atomu kladivem na kovadlině, tedy myšlenkový pohyb v nesprávném paradigmatu. Formalizace je blud šířený od třicátých let minulého století po současnost. Tento omyl vznikl v prvé polovině 20. století, kdy tvůrci formální logiky sice správně aplikovali logiku na matematické entity, logika se tak stávala metajazykem matematiky, ale posléze neuváženě rozšířili aplikační oblast na inherentně vágní znalosti a nedůsledně definovali výrok. Tento omyl přežívá do současnosti ve výkladu logiky i v umělé inteligenci

Člověk a stroj

Pro poznání a myšlení člověka je charakteristický faktor vágnosti: vágní funkce lidských smyslů, vágní prostředí lidského vědomí i nevědomí. Takové prostředí je zatím uměle nenapodobitelné a všechna umělá zařízení – stroje (počítač vybavený čidly pro sběr dat, kognitivní robot, kosmická sonda provádějící průzkum – poznání jisté části vesmíru), mohou „vidět“ a poznávat pouze umělým Newtonovým filtrem, tedy měřit hodnoty předem daných veličin a parametrů a zpracovávat je. Tak i život hledaný ve vesmíru musí být definován množinou (Newtonovských) veličin. Za umělou paralelu lidského myšlení je považována inference ve vhodném formálním systému; toto je „myšlení“ strojů. I tato inference, jak jsme uvedli, je však schopna pracovat pouze se znalostmi získanými Newtonovou metodou.

Jelikož, jak jsme zmínili, lze umělé poznání ve srovnání s přirozeným použít pouze na nepatrnou část reálného světa, pro kterou jsme schopni zavést veličiny a parametry, jsou takto omezeny současné stroje. Výzkum vnitřní vágnosti směřující k jejímu modelování je dnes zřejmě aktuální záležitostí, podobně jako na přelomu 19. a 20. století výzkum ve fyzice v oblasti mikročástic. Stroje, snad v budoucnu užívající filtr vágnosti a vágního prostředí pro zpracování informace (myšlení), by měly mnohem širší působnost a uplatnění srovnatelné s člověkem. Díky rozlišení vlastností znalostí získaných každým z filtrů poznání, jsme schopni vymezit možnosti člověka a dnešního stroje, dosud jen tušené a to mnohdy nepatřičně a tak zamezit bloudění v hledání nedosažitelného. Pro ctitele Turingova testu poznamenejme, že při znalosti nových, zde předložených poznatků by Alan Turing byl býval svůj imitační test formuloval zřejmě obezřetněji.

Vnitropsychické jazyky (velká vágnost znalostí) jsou schopny reprezentovat větší množinu znalostí než přirozený jazyk (menší vágnost znalostí než vnitropsychické jazyky) – některé znalosti člověkem běžně a úspěšně používané, jsou nesdělitelné. Důvod i s příkladem je podrobně uveden v . Jen část poznaného je člověk schopen transformovat do přirozeného jazyka (formulovat a sdělovat). Přirozený jazyk je schopen reprezentovat větší množinu znalostí než umělý formální jazyk (nulová vnitřní vágnost). Toto porovnání jazyků vypovídá o rozdílných schopnostech člověka a stroje, co do možné šíře záběru poznání a zpracování poznané informace. Myšlení člověka se odehrává na větší množině znalostí (vnitropsychický model) než pak sdělování, u stroje jsou obě množiny tytéž. Diskrétní filtr poznání velice omezuje oblast poznání. Filtr vágnosti umožňuje vágně znát mnohé, diskrétní filtr umožňuje exaktně znát nemnohé. Je třeba zdůraznit, že Newtonovou metodou lze probádat a popsat jen velice specifickými postoji vymezenou, nepatrnou část reálného světa, pro kterou jsme schopni zavést měřitelné veličiny a parametry, tedy znalosti reprezentovat umělým formálním jazykem. Formální jazyk svým neúprosným požadavkem nulové vnitřní vágnosti interpretace všech jazykových konstrukcí velice omezuje oblast poznání. Umožňuje popisovat pouze to, co jsme schopni poznat doopravdy exaktně, a toho je relativně málo. V následujícím obrázku je zobrazena hierarchie jazyků se zvyšující se vyjadřovací silou v závislosti na zvyšující se (vnitřní) vágnosti, tak, jak jsme o tom mluvili v předchozím textu.

Hierarchie jazyků.

Závěrem

Až dosud předpokládanou oblast aplikace strojového odvozování, v níž se v posledních padesáti letech, ve velké míře objevují soubory inherentně vágních znalostí, získaných přirozeným poznáním (v terminologii umělé inteligence se jim říká povrchové znalosti), je nutno redukovat a znalosti s inherentní vágností zcela oželet, vypustit je. Je přípustné používat pouze znalosti získané metodou exaktních věd (v terminologii umělé inteligence se jim říká hloubkové znalosti), tedy znalosti vyjádřené veličinami, parametry a matematicky reprezentovanými vztahy mezi nimi.

Entity, které mohou být použity při automatizovaném odvozování, tedy při zachování nulové vnitřní vágnosti interpretace všech jazykových konstrukcí formálního systému, jsou jen a jen tyto:

♦ matematické entity (např. dokazování teorémů)

♦ exaktní hry – umělé formální systémy materializované do podoby figur, karet apod. (např. šachy, karetní hry)

♦ znalosti získané Newtonovou metodou exaktních věd (odvozování ve vědě a technice, hloubkové znalosti v umělé inteligenci např. automatizovaná optimalizace logických obvodů).

Dalším problémem automatického odvozování je nesamohybnost formální inference. Je nutno vytvořit umělého hybatele. Učebnicové návody na vytvoření hybatele např. metrizací stavového prostoru (tj. prostoru vytyčeného všemi dovolenými pohyby inference), a tak akcentování jisté inference na úkor jiných aplikovatelných v daném bodě stavového prostoru, je použitelná jen v ojedinělých případech. Jen ve spíše vzácných případech lze pro celý stavový prostor vytvořit globálně působícího hybatele. Ve většině reálných případů musí tvůrce systému nalézt vhodný podnět pro pohyb inference pro každý bod stavového prostoru, což je velice obtížná a namáhavá úloha, uvážíme-li, že takových bodů jsou stovky i tisíce.

Do jaké míry jsou tato závěrečná konstatování známa odborné veřejnosti? Zajímavým dokumentem je úvodní sešit manuálu prázdného znalostního systému SMART ELEMENTS V. 2.0, od firmy Neuron Data . Ilustrativním příkladem pro uživatele je v manuálu uveden fyzikální problém přepouštění kapaliny mezi nádržemi. Tedy zvolen příklad z oboru newtonovských exaktních věd. Jsou tvůrci SMART ELEMENTS vědoucí, nebo je to náhoda? Spíš vědí, ale mlčí, aby prodali. Dále, pro uživatele používající pro budování znalostního systému přirozený jazyk reprezentující inherentně vágní znalosti člověka, je jim tvůrci systému připraven pestrý rejstřík nástrojů pro ovládání každého inferenčního kroku uživatelem. Proč? Protože, jak víme, formální inferenci nelze v tomto případě použít, vzdělaní tvůrci SMART ELEMENTS to nejspíš vědí, a nevědoucímu zákazníkovi - uživateli vycházejí oněmi nástroji vstříc. Uživatel tak může nastoupit klopotnou cestu nekončícím bludištěm svých ad hoc nápadů, jak vést jednotlivé inferenční kroky, jichž jsou stovky, ale spíš tisíce. Je to nekončící „bastlení“. Výsledky takového úsilí dosti nelichotivě hodnotí prof. Dreyfus, H. L. ve své knize

Turingův test

Související informace naleznete také v článku Turingův test.

Na tomto srovnání spočívá také myšlenka Turingova testu, kterou vyjádřil informatik Alan Turing v roce 1950 ve svém článku „Computing machinery and intelligence“. Ve zkratce tvrdí, že za inteligentní můžeme stroj prohlásit, nerozeznáme-li jeho lingvistický výstup od lingvistického výstupu člověka.

Argument čínského pokoje je často pokládán za protiargument k Turingovu testu. Uvažuje, že by mohl existovat stroj, který by inteligentní chování simuloval připravenou sadou reakcí na všechny možné otázky, aniž by nad čímkoliv „přemýšlel“.

Historie

Ve stejném článku, v jakém Alan Turing navrhl svůj slavný test (sám ho nazýval „imitační hra“) předpovídal, že za padesát let (tj. na přelomu milénií) budou mít počítače paměťovou kapacitu 10⁹ bitů a rozhodčí imitační hry bude mít pouze 70% šanci, že správně pozná lidskou inteligenci. Zatímco se odhad paměťových schopností ukázal být neobyčejně přesným, neumí dnešní počítače pracovat s lidským jazykem zdaleka tak dobře, jak asi Turing doufal.

Počáteční nadšení se totiž postupem času měnilo v hlubokou skepsi. Ukázalo se, že naprogramování úkolů, které lidem připadají triviální (např. rozpoznávání tvarů v obrazech) může být těžší, než vytvořit stroje řešící „klasické“ problémy umělé inteligence, jako je například hra šachů. Přesto se již daří vytvářet řešení v reálném či složitém prostředí, jako je například samořídící motorové vozidlo či počítačová hra.

V tomto smyslu je signifikantní vývoj v předmětu automatického překladu, který postupem času prošel obdobím nekritického nadšení i hluboké deziluze. Podobně se naděje vkládané do umělých neuronových sítí dostaly do konfliktů s realitou neúspěchů vytvořit sítě řešící jednoduché úkoly (např. neschopnost jednoho perceptronu simulovat funkci XOR byla mylně zobecněna na všechny neuronové sítě proto, že nebyl znám algoritmus pro jejich učení zbrzdil vývoj neuronových sítí na dlouhá léta. Přitom i dvouvrstvá síť tuto funkci aproximovat dokáže).

Kategorizace

UI můžeme dělit na slabé a silné – ty slabé by sice měly projít Turingovým testem, ale nejsou v „pravém slova smyslu inteligentní“ (viz výše Argument čínského pokoje), na rozdíl od silných UI. Má-li toto dělení smysl je předmětem filosofických debat.

Přístupy k řešení

Ačkoliv se vytvořit obecnou umělou inteligenci, která by byla srovnatelná s lidskou, ukázalo být nesmírně obtížné, vědci během posledních padesáti let vyvinuli sadu postupů, které dosahují dílčích úspěchů v jednotlivých problémech.

Neuronové sítě

Související informace naleznete také v článku Neuronová síť.

Umělé neuronové sítě v umělé inteligenci mají za vzor chování odpovídajících biologických struktur. Skládají se z výpočetních modelů neuronů, které si navzájem předávají signály a transformují je pomocí funkce pro přenos k dalším „neuronům“.

Užívají se pro rozpoznávání a kompresi obrazů nebo zvuků, předvídání vývoje časových řad (např. burzovních indexů), někdy dokonce k filtrování spamu.^[zdroj?]

Genetické programování

Související informace naleznete také v článku Genetické programování.

Genetické programování striktně vzato není prostředek pro řešení problémů umělé inteligence, ale obecný programátorský postup, jenž namísto sepsání konkrétního algoritmu pro řešení úkolu hledá tento postup evolučními metodami.

Expertní systémy

Související informace naleznete také v článku Expertní systém.

Expertní systém je počítačový program, který má za úkol poskytovat expertní rady, rozhodnutí nebo doporučit řešení v konkrétní situaci.

Expertní systémy jsou navrženy tak, aby mohly zpracovávat nenumerické a neurčité informace a řešit tak úlohy, které nejsou řešitelné tradičními algoritmickými postupy.

Prohledávání stavového prostoru

Související informace naleznete také v článku Prohledávání stavového prostoru.

Zvláště při vytváření algoritmů na řešení klasických her (šachů, dámy) se jeví účelné zadefinovat si množinu stavů, do kterých se můžeme ve hře dostat, přípustné tahy neboli přechody mezi stavy a počáteční a koncové pozice. Hledáme pak cestu od počátečních stavů ke koncovým stavům, které znamenají náš úspěch.

Jelikož mohou být stavové prostory rozsáhlé (například ve hře go) a v některých případech i nekonečné, je třeba volit chytré metody ořezávání nevhodných cest a ohodnocování pozic.

Dobývání znalostí

Související informace naleznete také v článku Data mining.

Velké soubory dat (často uložené v databázích) o nějakém systému nejsou použitelné a pochopitelné přímo, i když obsahují informace a vzory chování sledovaného systému. Metody dobývání znalostí převádí data do kompaktní a explicitní formy popisující systém, která je lépe použitelná.

V širokém smyslu nejde jen o zpracování elementárních dat (čísel, řetězců, kategoriálních dat), ale taky zpracování zvuku, obrázků (Digitální zpracování obrazu), videa, přirozeného jazyka (viz zpracování přirozeného jazyka, korpus) a bioinformatických dat (bioinformatika).

Výstupy jsou různé pro různé úlohy a závisí taky na tom, k čemu je chceme použít a co (a jak kvalitně) dokážeme vydolovat.

Strojové učení

Související informace naleznete také v článku Strojové učení.

Úspěšné algoritmy

Hry

• Královská hra šachy byla už od počátků informatiky předmětem analýz. V roce 1997 porazil systém Deep Blue od firmy IBM úřadujícího mistra světa Garriho Kasparova.

• Chinook je program pro hraní anglické dámy, jehož tvůrci v červenci roku 2007 prohlásili, že nemůže prohrát. Již několik let předtím pravidelně porážel lidské oponenty. Tohoto výsledku bylo dosaženo kombinací hrubé síly při prohledávání pozic ve střední části hry a dobrou databází zahájení a koncovek.

• Počítačové programy hrající go si často tak dobře nevedly. Je tomu tak zřejmě proto, že je goban (deska na go) je poměrně rozsáhlá a s každým dalším položeným kamenem stoupá komplexita rozhodování, kterou však mají lidé šanci zvládnout díky své vrozené schopnosti rozpoznávání tvarů. Ovšem nejlepší programy používající jak řešení hrubou silou (přesněji stromové prohledávání), tak intuici, jsou schopné porážet i mistry.

Další algoritmy

• Letecká bojová umělá inteligence ALPHA dokáže vést letecké souboje lépe než lidští piloti.

Umělá inteligence v kultuře

Rozumné stroje jsou vděčné téma pro spisovatele vědecké fikce. Isaac Asimov věnoval značnou část své povídkové tvorby tématům robotické inteligence, jeho povídková sbírka Já, robot, stejně jako povídka Dvěstěletý člověk, byla zfilmována.

Polský autor Stanisław Lem se zabýval filosofickými aspekty inteligence u nelidí ve svých knihách Kyberiáda a Solaris (která byla opět zfilmována, dokonce dvakrát). Některé aspekty strojové inteligence rozebral i v knize Golem XIV.

Ostatně velká část publikací současného stylu scifi kyberpunku se neodmyslitelně váže stejně jako k pronikání vlastností lidského a strojového, tak k vyrovnávání se s myšlenkou inteligentního stroje. Jako příklad uveďme Neuromancera Williama Gibsona.

Filmové publikum středního proudu na počátku století nejvíce ovlivnila trilogie Matrix, která vypráví o světě ovládaném umělou inteligencí původně vytvořenou člověkem. Mezi vlivné starší filmy řadíme Terminátora nebo Blade Runnera.

Literatura

• Zelinka Ivan: Umělá inteligence v problémech globální optimalizace BEN - technická literatura, 2002, ISBN 80-7300-069-5
• Plšek Bořivoj: Umělá inteligence v modelování a řízení BEN - technická literatura, 1996, ISBN 80-901984-4-9
• Zelinka Ivan: Umělá inteligence – hrozba nebo naděje? BEN - technická literatura, 2003, ISBN 80-7300-068-7
• Hammer Miloš: Metody umělé inteligence v diagnostice elektrických spojů, BEN - technická literatura, 2009, ISBN 978-80-7300-231-2
• Vladimír Mařík, Olga Štěpánková, Jiří Lažanský: Umělá inteligence 1–5, Academia

Související články

• Umělé bytí
• Blue Brain Project
• Hybridní inteligence
• Inteligentní prostředí
• Umělá inteligence (počítačové hry)
• Artificial Intelligence (rozcestník)

Externí odkazy

• Obrázky, zvuky či videa k tématu umělá inteligence na Wikimedia Commons
• Umělá inteligence v České terminologické databázi knihovnictví a informační vědy (TDKIV)
• Robot s biologickým mozkem. ideje.cz [online]. [cit. 2008-8-21]. Dostupné online. 
• Umělá inteligence v počítačových hrách
• Umělé inteligence pro hru piškvorky