Первая зима ИИ: как ранние надежды разбились о реальность

Начало первой зимы ИИ было вызвано не каким-то одним событием, а скорее стечением обстоятельств. К ним относятся чрезмерно амбициозные обещания, которые не могли быть выполнены, фундаментальные ограничения в доступных технологиях и теоретическом понимании, а также влиятельная критика, которая поставила под сомнение сами основы и прогресс в этой области, что в конечном итоге привело к серьезному сокращению финансирования.

«Зима ИИ» означает период, отмеченный значительным снижением интереса и финансирования исследований в области искусственного интеллекта. Эти периоды часто характеризуются циклами чрезмерного ажиотажа, за которым следует разочарование, когда результаты не соответствуют ожиданиям.

Ключевые факторы, способствовавшие первой зиме ИИ

Несколько критических проблем сошлись, чтобы вызвать этот спад:

1. Завышенные обещания и несбывшиеся ожидания: Ранние исследователи ИИ, воодушевленные первыми успехами в ограниченных областях (таких как игра в игры или простая логика), делали весьма оптимистичные прогнозы. Такие деятели, как Герберт Саймон, как известно, предсказывали в конце 1950-х и 1960-х годах, что машины смогут выполнять любую работу, которую может выполнять человек, в течение двадцати лет. Когда эти грандиозные видения не материализовались – машины не могли свободно понимать естественный язык, точно переводить или демонстрировать общее здравое рассуждение – разочарование среди спонсоров и общественности росло.
2. Фундаментальные технические препятствия:
   • Комбинаторный взрыв: Исследователи обнаружили, что многие, казалось бы, простые задачи становились вычислительно неразрешимыми по мере увеличения масштаба. Методы, которые работали для простых «игрушечных» задач, потерпели впечатляющую неудачу в реальных задачах, потому что количество возможностей для изучения росло экспоненциально, перегружая доступные вычислительные ресурсы.
   • Недостаточная вычислительная мощность и память: Аппаратное обеспечение той эпохи, хотя и развивалось, просто не было достаточно мощным, чтобы справляться со сложными вычислениями и большими объемами данных, необходимыми для более амбициозных программ ИИ. Скорость обработки и объем памяти были основными узкими местами.
   • Нехватка больших наборов данных: В отличие от сегодняшней насыщенной данными среды, исследователям не хватало больших оцифрованных наборов данных, необходимых для эффективного обучения и тестирования систем ИИ, особенно для таких задач, как понимание языка или распознавание изображений.
   • Теоретические ограничения (например, перцептроны): Хотя книга Марвина Мински и Сеймура Паперта «Перцептроны» 1969 года немного предшествовала основной зиме, она математически продемонстрировала фундаментальные ограничения простых однослойных нейронных сетей (доминирующей коннекционистской модели того времени). Они показали, что эти сети не могут решить даже основные проблемы, такие как функция XOR, что посеяло сомнения в их потенциале для сложных задач и значительно ослабило энтузиазм в отношении исследований нейронных сетей на протяжении более десяти лет.
3. Разрушительная критика и сокращение финансирования:
   • Отчет ALPAC (1966, США): Этот отчет Консультативного комитета по автоматической обработке языка, заказанный американскими финансирующими агентствами, дал весьма критическую оценку исследованиям в области машинного перевода. В нем был сделан вывод, что машинный перевод медленнее, менее точен и дороже, чем человеческий перевод, и не увидел перспектив практического, высококачественного перевода в ближайшем будущем. Это привело к резкому сокращению финансирования проектов машинного перевода в США.
   • Отчет Лайтхилла (1973, Великобритания): Этот отчет, заказанный Британским советом по научным исследованиям и написанный прикладным математиком сэром Джеймсом Лайтхиллом, предложил пессимистический взгляд на исследования ИИ в Великобритании. В нем утверждалось, что ИИ не достиг своих грандиозных целей и что его методы неадекватны для решения реальных проблем из-за таких проблем, как комбинаторный взрыв. Отчет привел к серьезному сокращению финансирования исследований ИИ в британских университетах, фактически положив начало зиме ИИ в Великобритании.
   • Сдвиг фокуса DARPA (США): Агентство перспективных исследовательских проектов Министерства обороны США (DARPA), основной источник финансирования ИИ, все больше разочаровывалось в отсутствии конкретного прогресса в таких областях, как понимание речи (например, программа исследований понимания речи в Университете Карнеги-Меллона). В начале 1970-х годов DARPA изменило свою стратегию финансирования в сторону более целенаправленных, ориентированных на миссию проектов с четко определенными краткосрочными целями, сократив поддержку более исследовательских, ненаправленных исследований ИИ.
4. Возникает парадокс Моравека: Исследователи начали наблюдать то, что Ганс Моравек позже сформулировал: задачи, легкие для людей (такие как восприятие, мобильность, распознавание образов), оказались невероятно трудными для ИИ, в то время как задачи, трудные для людей (такие как сложные вычисления или логические выводы в ограниченных областях), были относительно легче для компьютеров. Это подчеркнуло глубокую проблему воспроизведения основных человеческих сенсорных и двигательных навыков.

 

Источник: Wikipédia

 

Последствия заморозки

Первая зима ИИ имела серьезные последствия для этой области:

• Резкое сокращение финансирования: Государственные учреждения (такие как DARPA в США и SRC в Великобритании) и частные инвесторы значительно сократили или полностью прекратили финансирование исследований ИИ.
• Отмена и замедление проектов: Многие амбициозные проекты ИИ были закрыты, и общая исследовательская деятельность значительно замедлилась.
• Сдвиг фокуса: Исследователи часто переключали свое внимание на более прикладные области компьютерных наук с более ясными перспективами краткосрочных результатов или переименовывали свою работу в области ИИ под другими названиями (например, распознавание образов, информатика), чтобы получить финансирование.
• Утечка кадров: Некоторые исследователи вообще покинули эту область из-за нехватки финансирования и ощутимого отсутствия прогресса.
• Укрепление прагматизма: С положительной стороны, зима заставила оставшихся исследователей принять более реалистичные цели и строгие методологии. Это стимулировало работу над более узкими проблемами и фундаментальными областями, такими как логическое программирование, представление знаний и изучение различных механизмов рассуждения (таких как здравый смысл), которые заложили основу для будущих достижений.

Ключевые фигуры и их роли в эту эпоху

• Марвин Мински и Сеймур Паперт: Соучредители лаборатории искусственного интеллекта Массачусетского технологического института. Их книга «Перцептроны» 1969 года критически проанализировала ранние нейронные сети, что внесло значительный вклад в спад исследований в области коннекционизма, который совпал с первой зимой.
• Сэр Джеймс Лайтхилл: Автор влиятельного Отчета Лайтхилла 1973 года, в котором резко критиковались исследования ИИ в Великобритании и который привел к значительному сокращению финансирования в этой стране.
• Герберт Саймон и Аллен Ньюэлл: Ранние пионеры ИИ, чьи оптимистичные прогнозы о возможностях ИИ в 50-х и 60-х годах способствовали первоначальному циклу ажиотажа.
• Джон Маккарти: Ввел термин «искусственный интеллект» и разработал язык программирования LISP, который оставался крайне важным для исследований ИИ, несмотря на зиму.
• Йехошуа Бар-Хиллель: Ранний скептик, особенно в отношении возможности полностью автоматического высококачественного машинного перевода, чьи аргументы получили распространение в преддверии отчета ALPAC.
• Роджер Шанк и Марвин Мински: Позже, на конференции AAAI в 1984 году, они прямо предупредили о надвигающейся «зиме ИИ» (имея в виду потенциальную вторую зиму), проводя аналогию с концепцией ядерной зимы и популяризируя термин для описания этих спадов.

Оттепель и извлеченные уроки

Первая зима ИИ не означала полной остановки, а скорее значительное охлаждение и переоценку. Исследования продолжались в определенных областях, часто с менее амбициозными заявлениями. Извлеченные уроки – необходимость в значительно большей вычислительной мощности, больших наборах данных, более сложных алгоритмах и более реалистичной постановке целей – были решающими. В то время как разработка экспертных систем начала набирать обороты к концу этого периода и в начале 1980-х годов (что привело к последующему буму и в конечном итоге ко второй зиме ИИ), конец первой зимы был скорее постепенной оттепелью. Он характеризовался более осторожным, целенаправленным подходом, который медленно восстанавливал доверие и проложил путь для возможного возрождения различных парадигм ИИ, включая возобновление интереса к машинному обучению и нейронным сетям десятилетия спустя, подпитываемое той самой вычислительной мощностью и данными, которых не хватало в 1970-х годах.