Ситуативный подход (искусственный интеллект)

В конце 1980-х годов на базе лаборатории искусственного интеллекта MIT под руководством Родни Брукса был заложен фундамент так называемого Nouvelle AI. В отличие от классического искусственного интеллекта, Nouvelle AI сознательно избегал задачи моделирования разума на уровне человека, вместо этого ориентируясь на создание систем с интеллектом, сравнимым по сложности с насекомыми, ближе всего к реальным роботам^[2]. Впрочем, впоследствии в MIT на основе идей новой школы появилась попытка создания человекоподобного искусственного интеллекта — проект Cog.

Концептуальный сдвиг, инициированный Nouvelle AI, успешно проявил себя в области робототехники и привёл к формированию поведенческой робототехники (BBR) — методологии, базирующейся на модульном разбиении интеллекта. Наиболее известная реализация — архитектура субсуммирования Родни Брукса, одна из первых попыток формального описания построения BBAI (behavior-based AI). Такой подход оказался крайне успешным для создания динамических систем реального времени, пригодных для сложных сред^[3]. Например, эта архитектура использовалась в роботах Sony AIBO и командах RoboCup.

Со временем стало ясно, что все эти направления стремятся не к построению абстрактного интеллекта, а к созданию интеллекта, ситуативно взаимодействующего с конкретной средой. Подобное понимание уходит корнями к ранним работам Алана Тьюринга, который подчёркивал необходимость создания машин, обладающих органами чувств для прямого изучения окружающей среды, в отличие от чисто формальных задач вроде шахмат^[4].

Классически программная сущность определяется как имитируемый элемент, способный воздействовать на себя и свой мир, а также обладающий внутренним представлением себя и внешнего окружения. Такая сущность может взаимодействовать с другими, а её поведение является следствием восприятия, «внутренней модели» и коммуникации.

Имитация сущностей в виртуальной среде требует моделирования полного цикла: от восприятия окружающего мира (или получения внешних стимулов) до действия. Этот процесс носит название цикла ИИ. Технологии для его моделирования делятся на две категории:

• Сенсорно-моторные (низкоуровневые) компоненты: отвечают за восприятие (что воспринимается?) и реализацию действий (как совершить действие?).
• Решающие (высокоуровневые) компоненты: определяют, какое действие выбрать (какое поведение наилучшее в данной ситуации?).

В решающей ИИ существуют два основных подхода. Большинство коммерческих систем (например, алгоритмы планирования, конечный автомат или экспертная система) относятся к традиционному (символическому) искусственному интеллекту. Его признаки:

• Подход сверху вниз: исходная задача рекурсивно разбивается на подзадачи меньшей сложности.
• Знание-ориентированность: опора на символическое описание мира — например, набор правил.

Однако данный подход сталкивается с ограничениями: попытка охватить всё разнообразие окружающего мира приводит к комбинаторному взрыву числа правил. Предсказать все возможные ситуации невозможно.

Чтобы преодолеть эти пределы, выдвинут другой подход — ситуативный (или поведенческий) искусственный интеллект. Он не стремится имитировать процессы дедуктивного мышления, а ориентирован на реалистичные формы поведения агентов в реальной среде:

• Подход снизу вверх: строится на элементарных формах поведения, которые можно комбинировать.
• Поведенческая модель: не использует символического описания, а работает с моделью взаимодействия агента и среды.

Целью ситуативного ИИ является создание автономных агентов, способных приспосабливаться к непредвиденным обстоятельствам благодаря устойчивой архитектуре управления и гибкости поведения.

В искусственном интеллекте и когнитивных науках термин ситуативный агент применяется к агенту, физически включённому в среду. Хотя термин чаще используется применительно к роботам, некоторые исследователи считают, что и программные агенты можно назвать «ситуативными», если:

• они действуют в динамически изменяющейся среде,
• могут воздействовать на среду посредством своих действий,
• способны чувствовать/воспринимать изменения.

В качестве примеров можно привести сетевых агентов, совершающих заказы или изменяющих данные в интернет-пространстве, или виртуальных ботов, действующих в мирах типа Second Life.

Ситуативность обычно рассматривается в рамках концепции воплощённого интеллекта, однако ситуативный и воплощённый подходы могут рассматриваться отдельно. Ситуативный акцентирует, что интеллектуальное поведение возникает благодаря взаимодействию с окружающей средой; характер этих взаимодействий определяется степенью воплощённости агента.

Ключевая особенность системы с ситуативным ИИ — модульное управление: интеллект распределён между независимыми полуавтономными модулями. В первых системах каждый модуль мог быть самостоятельным устройством либо выполняться в отдельном потоке. На практике модули чаще имеют статус абстракций. В этом смысле ситуативный ИИ можно рассматривать как вариант программной инженерии, схожий с объектно-ориентированным проектированием.

Нередко ситуативный подход ассоциируется с реактивным планированием, но эти понятия не тождественны. Брукс выступал за крайний вариант когнитивного минимализма, требуя, чтобы модули поведения были конечными автоматами без традиционной памяти и обучения. Это соответствует требованиям реактивных подходов: поведение определяется текущим состоянием мира, а не предшествующим опытом или внутренними ожиданиями. Впоследствии этот жёсткий принцип был смягчён ради достижения «сильного» искусственного интеллекта, допускающего возможности обучения.

В рамках ситуативного ИИ были предложены различные механизмы моделирования процессов принятия решений — так называемые механизмы выбора действия. Классический пример — архитектура субсуммирования^[5], изначально представляющая собой больше метод реализации, чем алгоритм. Впоследствии появились другие варианты, например, иерархии свободного потока^[6] и сети активаций^[7]. Анализы показали преимущество свободнопоточных иерархий при решении задачи выбора действия^[8][9]. Другие варианты — схемы управления движением^[10] и языки описания процессов^[11], которые также показали эффективность для автономных роботов.