Повседневное мышление

Некоторые определения и характеристики повседневного мышления, предложенные разными авторами:

• Повседневные знания включают базовые факты о событиях (в том числе действиях) и их последствиях, факты о знаниях и способах их получения, факты о верованиях и желаниях. Также сюда относятся базовые сведения о материальных объектах и их свойствах^[2];
• Повседневные знания отличаются от энциклопедических тем, что относятся к общим сведениям, а не к деталям конкретных объектов^[3];
• Повседневные знания — это «знания о реальном мире, на основании которых могут быть автоматически собраны и интерпретированы другие сведения»^[4];
• Повседневная картина мира включает в себя «время, пространство, физические взаимодействия, людей и так далее»^[1];
• Повседневное мышление — это «все знания о мире, которые мы принимаем как должное, но редко проговариваем вслух»^[5];
• Повседневное мышление — это «универсальные фоновые знания, не относящиеся к какой-либо конкретной предметной области… то, что вы должны знать»^[6].

Профессор Нью-Йоркского университета Эрнест Дэвис характеризует повседневные знания как «то, что знает о мире обычный семилетний ребёнок»: о физических объектах, веществах, растениях, животных, человеческом обществе. Обычно сюда не входят академические, специализированные или конвенциональные знания; но иногда они могут включаться. Например, умение играть в карты — это специализированные знания, а понимание, что люди играют в карты ради удовольствия, — повседневные знания^[7].

По сравнению с человеком, современные системы ИИ лишены ряда особенностей повседневного мышления; прежде всего механизма рассуждения о «наивной физике» — пространстве, времени, физических взаимодействиях. Это позволяет даже детям делать выводы вроде «если скатить ручку со стола, она упадёт на пол». Также у человека есть развитая народная психология, помогающая интерпретировать фразы вроде: «Городские советники отказали демонстрантам в разрешении, потому что они пропагандировали насилие». (Для неспециализированного ИИ сложно определить, кто именно пропагандировал насилие — советники или демонстранты)^[1][8][9]. Отсутствие «общих знаний» приводит к тому, что ИИ совершает иные ошибки, чем люди — зачастую труднообъяснимые. Например, нынешние беспилотные автомобили не могут рассуждать о расположении и мотивах пешеходов так, как это делают люди, и вынуждены полагаться на иные, неинтуитивные методы избежания столкновений^[10][11][12].

К пересекающимся с повседневным мышлением темам относятся: количество и измерения, время и пространство, физика, мышление, общество, планы и цели, действия и изменения^[13].

Проблема повседневного знания — это исследовательская задача в области искусственного интеллекта, направленная на создание баз данных с общеизвестными знаниями, понятными программам ИИ, работающим с естественным языком^[14]. Из-за огромного охвата области задача считается одним из наиболее сложных вызовов исследований ИИ^[15]. Чтобы машины могли решать задачи наравне с людьми, им необходимо обладать уровнем интеллекта, близким к человеческому. К таким задачам относятся распознавание объектов, машинный перевод и извлечение знаний из текста. Для успешного выполнения этих задач системе требуется понимание тех же понятий, которыми обладает человек, наделённый повседневным знанием.

В 1961 году Бар-Хиллель первым обсудил потребность в практических знаниях для обработки естественного языка в контексте машинного перевода^[16]. Одни двусмысленности разрешаются простыми правилами, другие требуют широких знаний о мире и полноценного повседневного мышления. Например, при машинном переводе возникает множество неоднозначностей, которые могли бы быть устранены лишь при глубоком понимании контекста. Системы онлайн-перевода часто справляются с ними при помощи поиска аналогий: так, в предложениях «The electrician is working» и «The telephone is working» английское слово «working» машинно переводится по смыслу — «работает» как «трудиться» для электрика и как «исправен» для телефона, поскольку контекст текста показывает, что соответствующие слова часто встречаются в соответствующем контексте. Однако такой статистический подход, эффективный в простых случаях, часто проваливается в сложных. Современные программы решают простые языковые задачи, манипулируя короткими фразами и отдельными словами, но не стремятся к более глубокому пониманию и ориентированы на краткосрочные результаты.

Значительный прогресс достигнут в автоматизации отдельных областей повседневного мышления: таксономического вывода, выводах о действиях и изменениях, о времени. Для каждой из сфер существуют отдельные теории, позволяющие делать широкий круг попутных выводов^[18].

По состоянию на 2014 год коммерческие системы, включающие элементы повседневного мышления, используют в основном статистику, а не полноценное рассуждение. Современные программы оперируют отдельными словами и не моделируют глубокого понимания. Эрнест Дэвис и Гэри Маркус выделяют пять основных препятствий на пути к созданию полноценного «повседневного разумателя»^[1]:

• Во-первых, ряд областей, задействованных в повседневном мышлении, частично не формализован. Передача знаний о коммуникации, взаимодействиях и процессах далека от завершения;
• Во-вторых, простые ситуации зачастую содержат логическую сложность сверх человеческих интуитивных способностей; известны только некоторые их аспекты;
• В-третьих, привлекается рассуждение, опирающееся не только на достоверность, но и на вероятность, основанную на ненадёжных данных — это требует моделей вероятностной логики и немонотонного вывода;
• В-четвёртых, в ряде областей единичные шаблонные случаи встречаются очень часто, а реально встречающихся возможных вариантов — огромное количество, но большинство крайне редки;
• В-пятых, при формулировании вывода у системы возникает проблема выбора уровня абстракции.

В 2018 году программы демонстрировали крайне низкие результаты на бенчмарках по повседневному мышлению, таких как Winograd Schema Challenge^[23]. Решение задачи достижения человеческого уровня компетентности в «повседневных знаниях» считается AI-complete (то есть эквивалентным созданию универсального ИИ)^[24][25]. Некоторые исследователи считают, что данных под контролем обучения недостаточно для создания универсального ИИ с повседневным мышлением, и переходят к менее супервизированным методам^[26].

Изучение повседневного мышления делится на подходы, основанные на знаниях (knowledge-based), и на методы машинного обучения, работающие с большими массивами данных, причём их интеграция остаётся ограниченной. Также выделяют краудсорсинговые методики, предполагающие сбор знаний по коллективному вкладу непрофессионалов. Знание-ориентированные методы базируются либо на формализованной математической логике, либо на неформальном эмпирическом анализе.

В рамках подходов на основе знаний, эксперты структурируют требования к выводам, необходимым для решения конкретной задачи. Выделяют строго математические методы (формализованные на бумаге в рамках ограниченных областей); неформальные (построенные на интуиции и общеповеденческих фактах); и масштабные проекты. Ключевые техники пополнения повседневных знаний из интернета — это web mining и краудсорсинг.

Модель COMET (2019), сочетающая архитектуру GPT и уже существующие базы повседневных знаний, например ConceptNet, сообщает о достижении уровня генерации заключений, близкого к человеческим оценкам. Тем не менее, как и другие современные разработки, модель сильно зависит от языковых паттернов, не обладая глубокой трактовкой повседневных понятий. Альтернативные подходы включают обучение по описаниям визуальных сцен либо по тексту, моделирующему ситуацию повседневной физики^[6][27].