|
|
| (3 промежуточные версии не показаны) |
| Строка 1: |
Строка 1: |
| - | # Зима искусственного интеллекта
| |
| | | | |
| - | **Зима искусственного интеллекта** (англ. *AI winter*) — период сокращения финансирования и ослабления интереса к исследованиям в области искусственного интеллекта (ИИ), наступающий вслед за периодом завышенных ожиданий и последующего разочарования в реальных возможностях технологий. Этот термин, введённый по аналогии с «ядерной зимой», описывает цепную реакцию: пессимизм в научном сообществе подхватывается прессой, что приводит к сокращению бюджетов и, в конечном счёте, к затуханию серьёзных исследований. В истории ИИ выделяют две крупные «зимы» — 1974–1980 и 1987–1993 годов, а также несколько более мелких кризисов.
| |
| - |
| |
| - | ## Первая зима (1974–1980)
| |
| - |
| |
| - | ### Причины
| |
| - |
| |
| - | Первая «зима» была вызвана несколькими факторами, которые подорвали доверие к перспективам ИИ.
| |
| - |
| |
| - | 1. **Критика персептронов.** В 1969 году вышла книга Марвина Минского и Сеймура Паперта «Персептроны» (*Perceptrons: An Introduction to Computational Geometry*). Авторы представили строгий математический анализ возможностей однослойных персептронов — ранней модели искусственной нейронной сети. Они доказали, что такие сети принципиально неспособны решать некоторые задачи, например, вычислить логическую функцию XOR (исключающее ИЛИ). Хотя авторы осознавали, что многослойные сети могли бы преодолеть эти ограничения, они скептически высказывались о возможности их эффективного обучения. Однако широкой общественностью и, что важнее, финансирующими организациями выводы были восприняты упрощённо: «нейронные сети — тупиковая ветвь исследований». Это привело к почти полному прекращению финансирования работ по нейросетям более чем на десятилетие.
| |
| - |
| |
| - | 2. **Доклад Лайтхилла.** В 1973 году британский учёный Джеймс Лайтхилл опубликовал для Совета по научным исследованиям (SRC) доклад «Искусственный интеллект: общий обзор» (Artificial Intelligence: A General Survey), более известный как **доклад Лайтхилла**. В нём давалась крайне пессимистичная оценка фундаментальных исследований в области ИИ, особенно в таких направлениях, как робототехника и обработка естественного языка. Ключевым аргументом была проблема **комбинаторного взрыва**: методы, работавшие в простых, игрушечных мирах, не масштабировались на реальные задачи из-за экспоненциального роста числа возможных решений. Доклад утверждал, что «ни в одной области открытия, сделанные до сих пор, не произвели того серьёзного влияния, которое было обещано». Он стал основанием для решения британского правительства прекратить поддержку исследований ИИ в большинстве университетов страны, что нанесло серьёзный удар по европейской науке.
| |
| - |
| |
| - | 3. **Разочарование DARPA.** Агентство передовых оборонных исследовательских проектов США (DARPA), являвшееся основным источником финансирования ИИ в Америке, также разочаровалось в результатах. В частности, программа по распознаванию речи (*Speech Understanding Research*) в Университете Карнеги-Меллон не оправдала ожиданий, что привело к сокращению ассигнований на академические исследования в целом.
| |
| - |
| |
| - | ### Последствия
| |
| - |
| |
| - | Сокращение государственного финансирования практически остановило прогресс в области нейронных сетей и символьного ИИ в США и Великобритании. Исследовательские группы закрывались или переориентировались на более прикладные, гарантированно решаемые задачи (например, автоматизацию). Из-за отсутствия финансов студентам не рекомендовали выбирать темы, связанные с нейросетями, что привело к потере целого поколения специалистов. Однако эти трудные времена стимулировали развитие альтернативных направлений, в частности, **экспертных систем**, которые в 1980-е годы пережили свой расцвет.
| |
| - |
| |
| - | ## Вторая зима (1987–1993)
| |
| - |
| |
| - | ### Причины
| |
| - |
| |
| - | Вторая «зима» ударила по коммерческому сектору и была связана с крахом экономической модели, построенной на экспертных системах.
| |
| - |
| |
| - | 1. **Крах рынка Lisp-машин.** В 1980-х годах популярность набрали экспертные системы — программы, которые имитировали рассуждения эксперта-человека в узкой предметной области. Для их разработки часто использовался язык программирования Lisp. Для повышения производительности создавались специализированные компьютеры — **Lisp-машины**. Однако к концу десятилетия мощные и недорогие рабочие станции от Sun Microsystems и персональные компьютеры от Apple и IBM стали способны выполнять Lisp-программы с сопоставимой скоростью. Целый индустриальный сектор, стоивший полмиллиарда долларов, рухнул в течение одного года. Компании-производители, такие как Symbolics и Lisp Machines Inc., обанкротились или были вынуждены уйти с рынка.
| |
| - |
| |
| - | 2. **Крах экспертных систем.** Дорогие в разработке и поддержке экспертные системы оказались «хрупкими» (brittle). Они не могли обучаться на новых данных и давали абсурдные ошибки при столкновении с нетипичными входными данными (так называемая проблема квалификации). Системы становились слишком сложными для обновления и поддержки, и их экономическая эффективность перестала оправдывать вложения.
| |
| - |
| |
| - | 3. **Провал японского проекта FGCS.** Амбициозный **японский проект «Компьютерные системы пятого поколения»** (FGCS, 1982–1992), финансируемый государством, ставил целью создание суперкомпьютеров для параллельной обработки знаний на основе логического программирования (Prolog). Несмотря на значительные вложения, проект не достиг своих изначальных грандиозных целей, что добавило ещё один аргумент скептикам в международном сообществе.
| |
| - |
| |
| - | ### Последствия
| |
| - |
| |
| - | Этот период ознаменовал конец «зимы» для отрасли и изменил структуру финансирования. Инвестиции в «чистый» ИИ резко сократились. Многие компании, занимавшиеся разработкой экспертных систем, ушли с рынка или переориентировались на более узкие задачи. Однако именно в этот период начали активно развиваться статистические методы и **машинное обучение**, которые были менее амбициозны, но давали более предсказуемые и стабильные результаты.
| |
| - |
| |
| - | ## Почему зимы наступали
| |
| - |
| |
| - | Причина циклических «зим» кроется в систематической **переоценке возможностей ИИ**. Исследователи и, в особенности, средства массовой информации и инвесторы часто делали поспешные выводы о скором создании «сильного» ИИ на основе первых, пусть даже впечатляющих, успехов (решение логических задач, игра в шашки). Однако каждый раз реальность оказывалась сложнее: фундаментальные проблемы (обучение, представление знаний, масштабирование) требовали десятилетий фундаментальных исследований, что не укладывалось в короткие инвестиционные циклы.
| |
| - |
| |
| - | Разрыв между **громкими обещаниями** (например, «через 10 лет машины будут обладать человеческим интеллектом») и **реальными достижениями** (создание полезных, но крайне ограниченных систем) порождал волну разочарования. Эта динамика, описанная как цепная реакция, сродни ядерной зиме, неизбежно приводила к заморозке финансирования.
| |
| - |
| |
| - | ## Уроки для современного машинного обучения
| |
| - |
| |
| - | История «зим» преподала инженерам и учёным в области машинного обучения несколько важнейших уроков.
| |
| - |
| |
| - | 1. **Важность строгой математической основы.** Критика Минского и Паперта, при всей её спорности в части интерпретации, показала, что наука не может строиться на вере. В отличие от 1960-х, современные нейросети опираются на мощный математический аппарат, что делает выводы более обоснованными.
| |
| - |
| |
| - | 2. **Опасность «хайпа».** Современный бум ИИ, начавшийся около 2012 года, порождает множество спекуляций. Инженеры, знакомые с историей «зим», понимают, что завышенные ожидания от больших языковых моделей и автономного вождения могут снова привести к «ядерной зиме», если технологии не смогут догнать обещания. Это учит более сдержанно формулировать прогнозы и фокусироваться на измеримых результатах.
| |
| - |
| |
| - | 3. **Прагматизм и качество данных.** Крах экспертных систем показал, что «инженерия знаний» (ручной ввод правил) не масштабируется. Современный успех **глубокого обучения** основан на совершенно ином подходе: вместо программирования правил мы программируем архитектуру для **обучения** на больших данных. Это делает системы более гибкими, но привязывает их качество к данным.
| |
| - |
| |
| - | 4. **Диверсификация методологий.** В периоды «зим» выживали те, кто работал на стыке дисциплин или предлагал реалистичные инженерные решения (как экспертные системы в конце 70-х). Современный специалист должен быть знаком не только с нейросетями, но и с классическими алгоритмами, байесовскими методами и инженерией признаков, чтобы выбирать инструмент под задачу, а не следовать моде.
| |
| - |
| |
| - | ## Связь с другими статьями
| |
| - |
| |
| - | * **Дартмутский семинар:** Истоки «зимы» лежат в завышенных ожиданиях, порождённых на этом семинаре 1956 года, где и была заложена концепция ИИ как научной дисциплины.
| |
| - | * **Персептрон:** Книга Минского и Паперта стала символом научного спора, замедлившего развитие нейросетей, но впоследствии стимулировавшего создание многослойных архитектур и алгоритма обратного распространения ошибки.
| |
| - | * **Экспертные системы:** Именно расцвет и последующий коллапс этой технологии стали основным драйвером и главной трагедией второй «зимы», продемонстрировав пределы «символьного» подхода к ИИ.
| |
| - |
| |
| - | ---
| |
| - |
| |
| - | ## Список литературы
| |
| - |
| |
| - | 1. *AI winter*. In *Wikipedia*.
| |
| - | 2. Minsky, M., & Papert, S. (1969). *Perceptrons: An Introduction to Computational Geometry*. MIT Press.
| |
| - | 3. Lighthill, J. (1973). *Artificial Intelligence: A General Survey*. In *Artificial Intelligence: a paper symposium*. Science Research Council.
| |
| - | 4. *Lighthill report*. In *Wikipedia*.
| |
| - | 5. *Fifth Generation Computer System*. In *Glosbe Dictionary*.
| |
