AI1.pdf

1 Wst ę p do metod AI

1.1 Wprowadzenie

AI, czyli sztuczna inteligencja, ma dług ą prehistori ę , któr ą wywie ść mo ż na od pi ę knej idei Ramona Lull z XIII

wieku. Ten katalo ń ski filozof i teolog, franciszkanin, podj ą ł prób ę stworzenia systemu logicznego,

obejmuj ą cego wszystkie gał ę zie wiedzy, wydaj ą c znakomite na owe czasy dzieło Ars magna generalis et

ultimata . Ju ż wtedy marzył on o j ę zyku, który byłby na tyle precyzyjny i jednoznaczny, by wszelkie zagadnienia

w nim rozstrzyga ć . Dopiero pojawienie si ę komputerów dało impuls do rozwoju sztucznych j ę zyków,

potrzebnych do zapisu programów. Pierwsze prace nad j ę zykami algorytmicznymi, czyli j ę zykami do zapisu

algorytmów, prowadzono dopiero na pocz ą tku lat 50-tych tego wieku. Teoria j ę zyków algorytmicznych

rozwini ę ta została w pracach wielu informatyków. W praktyce tylko niektóre j ę zyki algorytmiczne oparte s ą na

dobrze zdefiniowanych podstawach teoretycznych. Starsze j ę zyki, takie jak Fortran czy Cobol powstawały w

sposób nieomal spontaniczny.

Gottfried Wilhelm Leibniz, ur. 21.06.1646 w Lipsku, zmarły 14.11.1716 w Hannowerze, pochowany w

nieznanym grobie, mógłby by ć patronem informatyków. Studiował w Moguncji, porz ą dkował prawo rzymskie,

tam te ż sporz ą dził plany maszyny licz ą cej. W Pary ż u pisze o filozofii, teologii, alchemii, matematyce,

dyplomacji i polityce, lecz dla swojej maszyny nie znajduje budowniczego. W 1675 odkrywa rachunek

ró ż niczkowy, system dwójkowy, rachunek logiczny, rozwa ż a równie ż j ę zyk do opisu poj ęć ( characteristica

universalis ). Z jego inicjatywy powstała Pruska Akademia Nauk. W 1694 za ogromn ą sum ę 24000 talarów

buduje niezbyt doskonał ą (z przyczyn mechanicznych) czterodziałaniow ą maszyn ę licz ą c ą . W maszynie tej

wprowadził zasady, u ż ywane przez setki lat w mechanicznych kalkulatorach. Od 1679 roku Leibnitz rozwa ż ał

projekt maszyny działaj ą cej w systemie dwójkowym.

W 1712 próbuje zrobi ć dla cara Piotra Wielkiego, na którego dworze przebywa przez par ę lat, kolejn ą maszyn ę

licz ą c ą . Ta próba równie ż sko ń czyła si ę niepowodzeniem. Znany był ju ż wtedy rachunek na symbolach, chocia ż

jeszcze w 1570 roku Hieronimus Cardanus udowadniał, ż e dla symboli (-a)*(-b) nie równa si ę a*b a Ch. Clavius

pisał w 1600 roku: umysł ludzki nie jest w stanie uchwycić powodów, dla których niewiadome i ich

znaki zachowują się w taki sposób. W 1680 roku Leibniz pisz ą c o „rachunku filozoficznym” wyra ż a

nadziej ę , ż e w przyszło ś ci dzi ę ki rozwojowi logiki matematycznej zamiast si ę spiera ć , wystarczy policzy ć .

Jak napisał jeden z pionierów w dziedzinie AI „Obszary bada ń naukowych powstaj ą w wyniku skupienia si ę

zainteresowania uczonych wokół ró ż nych zjawisk. Nauki nie powstaj ą w wyniku definicji, ale zostaj ą

rozpoznane” (A. Newell, 1973). Jako dobrze zdefiniowana dziedzina nauki AI została „rozpoznana” w latach

50-tych. Dwa główne pr ą dy naukowe, które si ę do tego przyczyniły to rozwój logiki matematycznej i rozwój

teorii oblicze ń . Church, Turing i inni matematycy zrozumieli jeszcze przed zbudowaniem komputerów, ż e

obliczenia nie dotycz ą tylko liczb a raczej przetwarzania symboli. Allan Turing, angielski matematyk, jest

najcz ęś ciej wymieniany jako „ojciec” sztucznej inteligencji jako dziedziny naukowej, gdy ż jego teoria działania

automatów i jego prace dotycz ą ce mo ż liwo ś ci inteligentnego zachowania si ę komputerów stanowi ą teoretyczne

podstawy tej dziedziny.

W ś ród innych pr ą dów, które przyczyniły si ę do powstania AI wymieni ć nale ż y trzy, wszystkie powstałe w 1949

roku. Claude Shannon prowadził rozwa ż ania nad przesyłaniem informacji w telekomunikacji i napisał ksi ąż k ę ,

w której po raz pierwszy zdefiniowano ilo ś ciowo, co to jest informacja. Norbert Wiener wydał ksi ąż k ę

„Cybernetyka czyli sterowanie i komunikacja w zwierz ę ciu i maszynie”, rozpoczynaj ą c tym samym szeroki nurt

nauk cybernetycznych. W tym samym roku powstał równie ż pierwszy model sieci nerwowej (McCulloch i Pitts)

jako układu elementów logicznych. Chocia ż formalnie rzecz bior ą c informatyka jest nauk ą o przetwarzaniu

informacji metody teorii informacji znajduj ą wi ę ksze zastosowanie w telekomunikacji ni ż przy projektowaniu

komputerów.

Wszystkie te nurty poł ą czone zostały wkrótce po zbudowaniu pierwszych komputerów. Inteligencja wymaga

zło ż ono ś ci, a komputery po raz pierwszy w historii pozwalaj ą na budow ę dostatecznie zło ż onych układów by

zaatakowa ć takie zagadnienia jak gra w szachy, dowodzenie twierdze ń czy tłumaczenie z jednego j ę zyka na

Wst ę p do Metod Sztucznej Inteligencji

drugi. Bardzo szybko okazało si ę , ż e nie potrafimy znale źć algorytmów na rozwi ą zywanie tego typu zagadnie ń ,

wymagaj ą one „inteligencji”. Ludzie wykonuj ą pewne czynno ś ci nie zdaj ą c sobie sprawy z tego, w jaki sposób

to robi ą . Zrozumienie tego faktu w latach 50-tych (bynajmniej nie było to wtedy takie oczywiste, wydawało si ę

wówczas, ż e zaprogramowanie bardzo zło ż onych zachowa ń to tylko kwestia wielko ś ci pami ę ci i szybko ś ci

działania komputera) stanowi pocz ą tek AI jako dziedziny nauki. Formalnie jako nauka AI powołana została do

ż ycia w 1956 roku, podczas jednej z konferencji specjalistycznych, a wi ę c powstała na długo przed powstaniem

nazwy „informatyka”. Najlepsza jednozdaniowa definicja AI brzmi nast ę puj ą co:

Sztuczna inteligencja to dziedzina nauki zajmuj ą ca si ę rozwi ą zywaniem zagadnie ń

niealgorytmizowalnych przy pomocy komputerów.

AI formalnie stanowi cz ęść informatyki, ale bliska jest psychologii i „cognitive science” czyli. „naukom

poznawczym” lub „kognitywnym”, w skład których wchodz ą takie dziedziny jak neuropsychologia, teoria

mózgu, psycho i neurolingwistyka, zagadnienia filozofii umysłu. Jednocze ś nie rozwijaj ą si ę zastosowania:

wsz ę dzie tam, gdzie nie ma pełnej teorii i wymagane s ą inteligentne decyzje (cz ę sto próby zgadni ę cia bardziej

ni ż udowodnienia), w tym w badaniach naukowych, potrzebne s ą metody AI. By ć mo ż e jednym z najbardziej

udanych zastosowa ń metod sztucznej inteligencji s ą popularne obecnie programy do oblicze ń symbolicznych

przy pomocy algebry komputerowej.

Najsilniejsze o ś rodki w tej dziedzinie to najlepsze ameryka ń skie uczelnie: MIT, Stanford, CalTech, Berkeley. W

Europie uprawia si ę AI nie tylko na uniwersytetach (Edynburg w Szkocji i Marsylia w Francji to jedne z

najlepszych o ś rodków) lecz równie ż w wielkich firmach komputerowych.

AI zajmuje si ę projektowaniem inteligentnych systemów, tj. wykazuj ą cych cechy podobne do cech

inteligentnego działania człowieka: rozumowania, uczenia si ę , rozumienia j ę zyka, rozwi ą zywania problemów.

Celem głównym jest zrobienie m ą drzejszych komputerów. Celem wtórnym (dla ch ę tnych na Nobla) jest

zrozumienie czym jest inteligencja. Dla niektórych badaczy stało si ę to jednym z głównych celów. Pionier

bada ń w dziedzinie AI, Allen Newell, zaproszony został w 1987 roku do prowadzenia serii niezwykle

presti ż owych wykładów Williama Jamesa (najsłynniejszego ameryka ń skiego psychologa) na Harvard

University. Przy tej okazji wygłosił swoje kredo: psychologia dojrzała ju ż do zunifikowanych teorii poznania,

czyli takich teorii, które postuluj ą spójny system mechanizmów pozwalaj ą cych wyja ś ni ć wszystkie aspekty

działania umysłu. Teorie poznania odwołuj ą si ę do modeli komputerowych rozwijanych przez specjalistów od

sztucznej inteligencji. Pogl ą d taki w dalszym ci ą gu uznawany jest za kontrowersyjny. D ąż enia i ambicje

sztucznej inteligencji jako gał ę zi nauk formułuje si ę w dwóch wersjach:

Wersja słaba AI mówi, ż e komputer pozwala formułowa ć i sprawdza ć hipotezy dotycz ą ce mózgu. W tej wersji

AI nie ma wielu oponentów gdy ż jest wiele dowodów na jej oczywist ą przydatno ść . Nie ma równie ż

w ą tpliwo ś ci, ż e niektóre metody AI, chocia ż odmienne od stosowanych przez układy biologiczne, pozwalaj ą na

osi ą gni ę cie podobnych rezultatów, a wi ę c mo ż liwa jest komputerowa symulacja inteligentnego działania.

Wersja silna AI mówi, ż e komputer odpowiednio zaprogramowany jest w istotny sposób równowa ż ny

mózgowi i mo ż e mie ć stany poznawcze. Wersja ta jest cz ę sto atakowana i tocz ą si ę nieko ń cz ą ce si ę spory

filozoficzne, czy jest to w ogóle mo ż liwe. Nie chodzi tu ju ż tylko o symulacje inteligencji ale o osi ą gni ę cie

„prawdziwej inteligencji”, a wi ę c czego ś , czego nikt nie potrafi do ko ń ca zdefiniowa ć .

Takie rozró ż nienie pochodzi od specjalistów w zakresie filozofii sztucznej inteligencji. Niezale ż nie od wyników

takich dyskusji AI jest dziedzin ą , która mo ż e zmieni ć całkowicie nasz ś wiat i z tego wzgl ę du jest potencjalnie

bardzo niebezpieczna. Dla badacza jest to dziedzina troch ę niewdzi ę czna bo trudno jest znale źć (tak jak w

fizyce) proste i ładne rozwi ą zania, prawa inteligencji. By ć mo ż e prawa takie nie istniej ą , a by ć mo ż e jakie ś s ą

np. zasada nieoznaczono ś ci wi ążą ca ś cisło ść wyniku (rozwi ą zania) z jego zło ż ono ś ci ą tj. liczb ą operacji

potrzebn ą do jego znalezienia.

Według Patrica Winston'a w rozwoju AI wyró ż ni ć mo ż na kilka okresów, które nazywa on nast ę puj ą co:

Era prehistoryczna : od maszyny analitycznej Charles'a Babbage (1842) do około 1960 roku, kiedy pojawiły

si ę powszechnie dost ę pne komputery.

Era romantyczna , 1960-1965, kiedy przewidywano, ż e AI osi ą gnie swoje cele w ci ą gu 10 lat i odniesiono

sporo pocz ą tkowych sukcesów.

Wst ę p do Metod Sztucznej Inteligencji

Okres ciemno ś ci : 1965-1970, w którym niewiele si ę działo, opadł entuzjazm i pojawiły si ę głosy bardzo

krytyczne.

Renesans : 1970-1975, gdy zacz ę to budowa ć pierwsze systemy doradcze, u ż yteczne w praktyce.

Okres partnerstwa : 1975-1980, gdy do bada ń nad AI wprowadzono metod z wielu nauk, np. z lingwistyki,

nauk poznawczych i nauk o mózgu.

Okres komercjalizacji : 1980-1990, gdy programy AI, a szczególnie systemy doradcze i ich uniwersalne

oprawy (shells), zacz ę to szeroko sprzedawa ć komercyjnie.

W latach 90. w sztucznej inteligencji zacz ę ły si ę pojawia ć systemy hybrydowe, w których u ż ywa si ę zarówno

technik symulacyjnych, wyrastaj ą cych z bada ń nad sieciami neuronowymi, jak i inspiracji ewolucyjnych oraz

ró ż nych form logiki, pozwalaj ą cych na radzenie sobie z informacj ą niepewn ą . Pojawiły si ę równie ż próby

rozwi ą zywania problemów wymagaj ą cych inteligencji na drodze symulacji du ż ej liczby prostych organizmów,

mieszcz ą ce si ę w nurcie „sztucznego ż ycia” (artificial life). Psycholodzy (np. J.J. Gibson w 1986 roku)

zaproponowali nowe podej ś cie, nazwane „inteligencj ą behavioraln ą ”, w ramach którego usiłuje si ę

wyewoluowa ć zachowania inteligentne dzi ę ki oddziaływaniom z naturalnym ś rodowiskiem. Podej ś cie to zrywa

z rozpowszechnionym paradygmatem jawnej reprezentacji ś wiata i wiedzy wewn ą trz systemu. Robotycy w

połowie lat 90. zacz ę li robi ć eksperymenty z takim podej ś ciem. Wprowadzono te ż „agentów programowych”,

programy wykazuj ą ce zło ż one, autonomiczne zachowanie w sztucznym ś rodowisku (np. w Interencie).

1.2 Kluczowe zagadnienia AI

Siła nap ę dow ą sztucznej inteligencji s ą liczne zastosowania programów komputerowych u ż ywanych do

rozwi ą zywania zagadnie ń , które nie s ą efektywnie algorytmizowalne. Nale żą do nich nast ę puj ą ce zagadnienia:

Rozwi ą zywanie problemów : gry i zagadki logiczne, techniki przewidywania w ograniczonych przestrzeniach

zachowa ń . Główne metody to szukanie i redukcja problemów. Mistrzowskie rezultaty osi ą gni ę to w warcabach,

szachach i wielu innych grach planszowych, ale niektóry gry (np. go ) wymagaj ą rozwini ę cia bardziej

wyrafinowanych technik. Obliczenia symboliczne przy pomocy programów algebry komputerowej nale żą

równie ż do tej kategorii.

Rozumowanie logiczne : dowodzenie twierdze ń przez manipulowanie faktami z bazy danych zapisanych jako

dyskretne struktury danych. Chocia ż mo ż na tu stosowa ć metody ś cisłe szczególnie interesuj ą ce s ą problemy

du ż e, w których trzeba si ę skupi ć na istotnych faktach i hipotezach, st ą d zainteresowanie AI. Projektowanie

układów logicznych cz ę sto zawiera elementy AI.

J ę zyk naturalny : rozumienie j ę zyka, odpowiedzi na pytania w j ę zyku naturalnym, budowa baz danych z

tekstów np. ksi ąż ek, tłumaczenie maszynowe, rozumienie mowy mówionej. Główne problemy to wiedza

kontekstowa i rola oczekiwa ń w interpretacji znacze ń .

Programowanie : tj. programowanie automatyczne lub autoprogramowanie, opis algorytmów przy pomocy

zwykłego j ę zyka, nie tylko by pisa ć programy automatycznie ale te ż by modyfikowa ć swój własny program.

Szczególnie programowanie dost ę pu do baz danych (programi ś ci s ą dobrze opłacani, st ą d próby ich

wyeliminowania), na tyle proste by było zrozumiałe dla menagerów i komputerowych laików jest szybko

rozwijaj ą c ą si ę dziedzin ą wykorzystuj ą c ą idee AI.

Uczenie si ę : jedno z najwa ż niejszych inteligentnych zachowa ń (z rzadka wykazywane przez niektórych

studentów). Jest to zagadnienie bardzo trudne i mało rozumiane. Uczenie si ę na przykładach, przez analogi ę , w

klasycznych systemach AI prawie nie wyst ę puje. Uczenie maszynowe jest do ść ezoterycznym, lecz bardzo

wa ż nym działem AI.

Ekspertyza : systemy doradcze lub eksperckie, tworzone przez „in ż ynierów wiedzy” tj. tych, którzy znaj ą si ę na

reprezentacji (przechowywaniu) wiedzy, udost ę pniaj ą ce t ę wiedz ę w czasie konsultacji tj. dialogu z systemem.

Systemy eksperckie powinny te ż wyja ś ni ć swoje rozumowanie człowiekowi. Najpierw konieczna jest

„akwizycja wiedzy”, jest to du ż y problem bo wi ę kszo ść wiedzy nie jest ś wiadoma, wynika z do ś wiadczenia.

Gotowy system powinien pozwoli ć na: wyja ś nienie problemu, wykonanie testów, zadawanie pyta ń i

proponowanie rozwi ą za ń , uzasadnienie przyj ę tych rozwi ą za ń i ocen ę ich wiarygodno ś ci. O systemach

Wst ę p do Metod Sztucznej Inteligencji

ekspertowych du ż o si ę mówi i pisze, powstało sporo drobnych systemów do ró ż nych zastosowa ń , sporo

„powłok”, czyli programów ułatwiaj ą cych tworzenie systemów eksperckich. W codziennym u ż yciu jest jednak

mało du ż ych systemów eksperckich, gdy ż du ż e systemy s ą mało stabilne i powolne. Wiedza eksperta dotyczy

w ą skiej i dobrze zdefiniowanej dziedziny, du ż o trudniej jest podrobi ć zdrowy rozs ą dek.

Robotyka i widzenie komputerowe: w tej dziedzinie tworzy si ę programy manipuluj ą ce ko ń czynami robotów,

optymalizuj ą ce ruchy i planowanie sekwencji czynno ś ci dla osi ą gni ę cia odległego celu, rozpoznawanie obrazu,

kształtów i cech przedmiotów. Wi ę kszo ść robotów przemysłowych jest bardzo prymitywna. Trzeba je

wyposa ż y ć we wzrok, słuch, czucie i zdolno ść do planowania działania - to wła ś nie zadania dla AI.

Systemy i j ę zyki : to narz ę dzia dla pracy w AI i jednocze ś nie jej produkty uboczne. Nale żą do nich j ę zyki

programowania i idee u ż ywane w systemach komputerowych, np.: time-sharing czyli technika dzielenia czasu

ma komputerach centralnych, przetwarzanie list i interakcyjne odrobaczanie (debugowanie) s ą ubocznym

wynikiem bada ń nad AI. Takie j ę zyki ogólnego u ż ytku jak LISP, Prolog, jak równie ż wiele j ę zyków

specjalistycznych rozwini ę to dla potrzeb AI.

Zagadnienia filozoficzne AI skupiaj ą si ę wokół rozwa ż a ń teoretycznych i spekulacji, dotycz ą cych mo ż liwo ś ci

budowy inteligentnych maszyn. Niestety, takie spekulacje maj ą wpływ na finansowanie w tej dziedzinie,

chocia ż s ą to rozwa ż ania bezproduktywne i raczej szkodliwe ni ż pomocne. Przyjemnie jest jednak czasem

pospekulowa ć .

1.3 Status AI

Jaki jest obecny status AI? W dziedzinie tej pozostało bardzo du ż o do zrobienia. W poszukiwaniu drogi do

sztucznej inteligencji wyró ż ni ć mo ż na dwie wielkie gał ę zie. Klasyczna, oparta na programowaniu logicznym,

próbuje opisa ć inteligentne działania na poziomie symbolicznym, a wi ę c zrozumie ć funkcjonowanie inteligencji

koncepcyjnie. Podej ś cie takie zostało dogł ę bnie skrytykowane przez wielu autorów (np. H. Dreyfus, What

Computer Still Can't Do, MIT Press 1972-92), porównywano je bardziej do alchemii ni ż nauki. Druga gał ąź ,

modeluj ą ca działanie mózgu, bli ż sza jest symulacjom ni ż rozwa ż aniom logicznym. Takie podej ś cie prowadzi do

uczenia modeli bez mo ż liwo ś ci szczegółowej analizy ich działania w terminach symbolicznych. By ć mo ż e

niepr ę dko poznamy szczegółowe mechanizmy działania mózgu, ale mo ż emy nauczy ć si ę budowa ć podobne

sztuczne struktury. Rozwa ż ania tego typu prowadz ą prosto do gł ę bokich pyta ń filozoficznych, dotycz ą cych

natury rozumienia. Do pyta ń tych wrócimy na krótko przy ko ń cu tego wykładu.

Przyjrzyjmy si ę teraz kilku wi ę kszym projektom w dziedzinie sztucznej inteligencji.

1.1.3. Pi

ta generacja komputerów

Japo ń skie „Ministry of International Trade and Industry” (MITI) ogłosiło w czerwcu 1982 program budowy

„Knowledge Information Processing Systems (KIPS)” prowadzony przez Institute for New Generation of

Computer Technology (ICOT) }, z bud ż etem rz ę du miliardadolarów na 10 lat. Dyrektorem tego programu został

Kazuhiro Fukui, zatrudniono około 40 młodych (<35 lat) ludzi z ró ż nych firm komputerowych. Poprzedni

program, który zainicjowało MITI to: National Super-Speed Computer Project (przy udziale Fujitsu, Hitachi,

NEC, Mitsubishi, Oki, Toshiba) był bardzo udany, pozwolił japo ń czykom wyra ź nie wysun ąć si ę nawet przed

najlepsze firmy ameryka ń skie w dziedzinie konstrukcji superszybkich komputerów. Celem budowy

komputerów 5 generacji było zbudowanie maszyn wykonuj ą cych 0.1 do 1 mld LIPS (logical inferences per

second, czyli logicznych wniosków na sekund ę ). Program oparty został na j ę zyku ProLog (Programming in

Logic), j ę zyku opracowanym w Marsylii i dopracowanym w Edynburgu (w Szkocji). Za cel postawiono sobie

tłumaczenie w oparciu o słownik rz ę du 100000 słów z japo ń skiego na angielski z dokładno ś ci ą 90%,

rozumienie ci ą głej mowy w zakresie 50000 słów z dokładno ś ci ą 95%, dialog z maszyn ą w j ę zyku naturalnym,

stworzenie systemów eksperckich korzystaj ą cych z 10000 reguł wnioskowania. W ramach programu „Pattern

Information Processing National Systems” (PIPS) zmierzano do mo ż liwo ś ci analizy obrazów przy 100000

obrazów w pami ę ci. program ten ł ą czy si ę z „Robotic National Program”, wymagaj ą cym równie ż analizy

obrazów na wielk ą skal ę . W latach 90-tych KIPS maj ą by ć „centralnym narz ę dziem we wszystkich dziedzinach

społecznej działalno ś ci, wł ą czaj ą c w to ekonomi ę , przemysł, kultur ę , ż ycie codzienne”.

Program przedłu ż ono o 2 lata i zako ń czono oficjalnie w grudniu 1994 roku (sprawozdanie z konferencji

ko ń cowej opublikowałem w ComputerWorld 3/1995, 16.01.1995). Chocia ż przyniósł szereg ciekawych

Wst ę p do Metod Sztucznej Inteligencji

rezultatów, przyczyniaj ą c si ę do rozwoju metod programowania opartych na logice matematycznej, trudno

uzna ć go za wielki sukces. Wiele z jego zało ż e ń nie zostało zrealizowanych, niektóre istniej ą tylko w fazie

eksperymentalnej. Nie ma w ą tpliwo ś ci, ż e cele powoli zostan ą osi ą gni ę te, by ć mo ż e jednak skupienie si ę na

podej ś ciu symbolicznym, oparcie na Prologu i logice, nie pozwala na osi ą gni ę cie tak ambitnych zmierze ń .

Zrezygnowano z pierwotnych, ambitnych zamierze ń programu, nikt o nich nawet na konferencji ko ń cowej nie

wspominał. Obecne cele projektu nie rozpalaj ą ju ż wyobra ź ni milionów z naukowego punktu widzenia s ą

jednak bardzo ciekawe i bardziej konkretne. W ostatnich dwóch latach swojego istnienia ICOT skupił si ę na

rozpowszechnianiu rezultatów uzyskanych w ramach projektu pi ą tej generacji - jest to ponad tysi ą c prac

naukowych i prawie sto systemów oprogramowania, dost ę pnych za darmo przez sie ć komputerow ą lub na CD-

ROMie rozpowszechnianym przez ICOT. Podj ę to du ż y wysiłek przeniesienia oprogramowania z nietypowego

sprz ę tu komputerowego, cz ęś ciowo zbudowanego w ramach projektu pi ą tej generacji, na typowe stacje robocze

pracuj ą ce w systemie Unix. Bardzo rozwini ę to systemy równoległego i rozproszonego przetwarzania wiedzy

oraz systemy równoległego wnioskowania (PIM, Parallel Inference Machines). Systemy takie znajduj ą

zastosowanie przy konstrukcji rozproszonych baz danych.

Z osi ą gni ęć projektu pi ą tej generacji prezentowanych szczegółowo w czasie konferencji warto wymieni ć :

1) Obiektowo zorientowane j ę zyki do reprezentacji wiedzy: KL1, KLIC i QUIXOTE, pozwalaj ą ce na opis

skomplikowanych fragmentów wiedzy, np. dotycz ą cych reakcji biologicznych czy zagadnie ń prawniczych.

System KLIC działa na stacjach roboczych i komputerach równoległych tworz ą c z opisu wiedzy w j ę zyku KL1

program w j ę zyku C.

2) MGTP, program do dowodzenia twierdze ń działaj ą cy na wieloprocesorowych komputerach w ś rodowisku

PIMOS (Parallel Inference Machine Operating System). Jest to jeden z najciekawszych rezultatów projektu

pi ą tek generacji, gdy ż przy jego pomocy udało si ę rozwi ą za ć pewne zagadnienia matematyczne (udowodni ć

istnienie pewnych kwazigrup). Poniewa ż dowodzenie twierdze ń matematycznych jest bardzo trudne i wielu

matematyków ma w ą tpliwo ś ci, czy w ogóle mo ż liwe, osi ą gni ę cie interesuj ą cych rezultatów w tym zakresie

wzbudziło znaczne zainteresowanie na ś wiecie. System MGTP korzysta z logiki pierwszego rz ę du i na

maszynie o 256 procesorach działa 200 razy szybciej ni ż na pojedynczym procesorze.

3) Bardzo interesuj ą ce rezultaty osi ą gni ę to w genetyce i biologii molekularnej. Systemy przetwarzania wiedzy

staj ą si ę niezb ę dnym narz ę dziem w projekcie mapowania ludzkiego genomu. Na konferencj ę przyjechało kilku

ameryka ń skich naukowców okre ś laj ą cych si ę jako „biolodzy komputerowi,” specjalnie na sesj ę po ś wi ę con ą

systemom reprezentacji wiedzy w genetyce. Metody stosowane w tej dziedzinie nie maj ą jednak wiele

wspólnego z klasycznymi metodami sztucznej inteligencji a raczej bazuj ą na post ę pach w teorii optymalizacji,

alogrytmach genetycznych, teorii gramatyk formalnych i teorii kompilacji.

4) Za najbardziej inteligentne oprogramowanie stworzone w ramach projektu pi ą tek generacji uznano system

Helic-II przeznaczony dla symulacji rozwa ż a ń prawników, dyskusji mi ę dzy prokuratorem i adwokatem,

interpretacji przepisów prawnych, intencji oskar ż onych i symulacji rozumowania s ę dziego.

5) Z praktycznego punktu widzenia bardzo wa ż ne s ą zagadnienia du ż ych, rozproszonych baz danych

multimedialnych, poszukiwanie informacji w takich bazach danych i próba organizacji wiedzy w nich zawartej.

6) Przedstawiono równie ż ciekawe rezultaty dotycz ą ce komputerowo wspomaganego projektowania (CAD) z

wykorzystywaniem wnioskowania logicznego na masowo równoległych komputerach.

W 1992 roku zainaugurowano inny, przewidziany na 10 lat projekt japo ń ski: RWCP, Real World Computing

Partnership. Jego celem jest stworzenie systemów przetwarzania informacji przydatnych w trudny

zagadnieniach praktycznych. Z pi ę ciu centralnych tematów badawczych projektu RWCP jedynie projekty

masowego przetwarzania równoległego nawi ą zuj ą bezpo ś rednio do projektu komputerów pi ą tej generacji,

cz ęś ciowo wi ąż e si ę z nim równie ż integracja symbolicznego i neuronalnego przetwarzania informacji. Nowym

tematem s ą komputery optyczne. Pozostałe tematy badawcze wi ążą si ę bardziej z badaniem funkcji

poznawczych mózgu, modelowaniem sieci neuronowych i reprezentacj ą informacji ź le lub nieprecyzyjnie

okre ś lonej, ni ż z podej ś ciem logicznym. Do osi ą gni ę cia prawdziwej inteligencji potrzebne okazało

si ę bardziej intuicyjne podej ś cie wykorzystuj ą ce mo ż liwo ś ci uczenia si ę systemów zdolnych do adaptacji i to

wła ś nie jest celem RWCP.

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika: