Зима искусственного интеллекта
Материал из MachineLearning.
| «Зима искусственного интеллекта» (англ. AI winter) — это период значительного сокращения финансирования и снижения интереса к исследованиям в области искусственного интеллекта (ИИ). Данный термин, возникший по аналогии с «ядерной зимой», описывает циклическое явление в истории развития ИИ, когда за периодом чрезмерного оптимизма и завышенных ожиданий (хайпа) неизбежно следовало глубокое разочарование, вызванное неспособностью технологий оправдать эти ожидания, что приводило к резкому сокращению инвестиций и оттоку кадров. |
Содержание |
История и причины «зим ИИ»
История искусственного интеллекта, насчитывающая несколько десятилетий, представляет собой череду циклов, включающих «бумы» и последующие «зимы». Это явление тесно связано с «законом Амары», согласно которому люди склонны переоценивать эффект от новой технологии в краткосрочной перспективе и недооценивать его в долгосрочной.
В истории выделяют две основные «зимы ИИ», а также ряд более мелких эпизодов охлаждения.
Первая «зима ИИ» (середина 1970-х — начало 1980-х)
Первая крупная «зима» наступила в середине 1970-х годов. Ей предшествовал период значительного оптимизма, подпитываемого ранними успехами и громкими обещаниями. Однако ряд факторов привели к кризису.
- **Недостижимые обещания и разочарование:** Исследователи первых десятилетий значительно переоценили темпы прогресса, породив завышенные общественные ожидания относительно скорого создания «мыслящих машин».
- **Критика перцептронов:** В 1969 году вышла книга Марвина Минского и Сеймура Пейперта «Перцептроны», в которой были математически доказаны фундаментальные ограничения однослойных нейронных сетей (неспособность решать задачу исключающего ИЛИ). Это привело к резкому спаду интереса и сворачиванию финансирования исследований в области коннекционизма.
- **Отчет Лайтхилла (Lighthill Report):** В 1973 году британский физик Джеймс Лайтхилл представил парламенту Великобритании доклад с уничтожающей критикой исследований в области ИИ. В нем утверждалось, что большинство работ не принесли практической пользы, а их цели были «грандиозными». Отчет привел к практически полной ликвидации государственного финансирования ИИ в Великобритании.
- **Сокращение финансирования DARPA:** В США, вследствие поправки Мэнсфилда (1969 год), Агентство передовых оборонных исследовательских проектов (DARPA) было вынуждено переориентироваться с фундаментальных исследований на прикладные проекты с конкретными военными целями. Не видя осязаемых результатов, DARPA к 1974 году значительно урезала финансирование академических исследований в области ИИ.
- **Проблема «комбинаторного взрыва»:** Многие успешные алгоритмы символьного ИИ сталкивались с проблемой «комбинаторного взрыва» при попытке решать реальные, а не «игрушечные» задачи, что делало их непрактичными.
Вторая «зима ИИ» (конец 1980-х — середина 1990-х)
Вторая волна охлаждения была связана с крахом рыночного бума экспертных систем, которые были доминирующей парадигмой в 1980-х годах.
- **Крах рынка LISP-машин:** К 1987 году специализированные компьютеры (LISP-машины), оптимизированные для языков программирования, используемых в ИИ (например, Lisp), устарели и не выдержали конкуренции с быстро прогрессирующими и более дешевыми универсальными компьютерами.
- **«Узкое горло» приобретения знаний:** Разработка и поддержка экспертных систем столкнулись с серьезным препятствием — необходимостью вручную извлекать и формализовывать знания экспертов из конкретной предметной области. Этот процесс был крайне трудоемким, дорогим и плохо масштабируемым. Для поддержания актуальности системы требовалась постоянная работа инженеров по знаниям, что делало их экономически невыгодными для многих компаний.
- **Провал «грандиозных» проектов:** Неудача японского проекта «Пятое поколение компьютеров», который ставил амбициозные цели создания компьютеров, способных вести диалог с человеком, а также сворачивание аналогичной американской Стратегической инициативы по вычислениям (Strategic Computing Initiative) усилили глобальное разочарование в ИИ.
Влияние на машинное обучение
«Зимы ИИ» парадоксальным образом стимулировали развитие машинного обучения как отдельной дисциплины. Периоды охлаждения к основному направлению (символьному ИИ) вынудили исследователей, сохранивших веру в альтернативные подходы, действовать в тени, что в итоге привело к фундаментальным прорывам.
- **Отказ от символьного ИИ:** Постоянные неудачи символьных систем, основанных на жестких правилах, показали их непригодность для решения задач в реальном мире, подверженном неопределенности и неполноте данных. Это создало нишу для статистических и вероятностных методов.
- **Развитие нейронных сетей:** Несмотря на критику перцептронов, работы по нейронным сетям продолжались. Именно в период «зим» были разработаны ключевые алгоритмы, такие как метод обратного распространения ошибки (backpropagation), который стал фундаментом для будущих успехов[].
- **Смена парадигмы в обработке естественного языка (NLP):** Классический пример — работа группы IBM в 1970-х годах над распознаванием речи. Вместо того чтобы пытаться вручную кодировать лингвистические правила, исследователи во главе с Фредом Йелинеком использовали скрытые марковские модели, которые обучались на больших корпусах текстов. Йелинек известен своей шуткой: «Каждый раз, когда я увольняю лингвиста, точность нашей системы возрастает». Это ознаменовало переход к вероятностному подходу.
- **Переосмысление терминологии:** Многие исследования в области нейронных сетей и статистических методов в 1990-х и 2000-х годах велись под брендом «машинное обучение», а не «искусственный интеллект», чтобы дистанцироваться от репутации «неудачника», которую ИИ приобрел в глазах инвесторов.
Современное состояние и уроки для специалистов
Начиная с 2010-х годов, мы наблюдаем новую эпоху бурного роста ИИ, вызванную «идеальным штормом» из трех факторов: наличие огромных массивов данных (Big Data), появление мощных графических процессоров (GPU) для вычислений и разработка новых алгоритмов глубокого обучения. Этот период часто называют «весной ИИ».
Для инженеров и исследователей в области анализа данных и машинного обучения понимание феномена «зим ИИ» дает важные уроки:
- **Критическое отношение к хайпу:** Важно отделять реальные достижения и применимые на практике методы от чрезмерно раздутых обещаний. Анализ текущего состояния дел и исторического контекста помогает формировать реалистичные ожидания от внедрения ИИ-решений.
- **Осознание фундаментальных ограничений:** Существующие методы, включая глубокое обучение, имеют свои ограничения (например, потребность в больших размеченных данных, проблема объяснимости, отсутствие «здравого смысла»). Осознание этих границ позволяет избежать повторения ошибок прошлого.
- **Ценность фундаментальных исследований:** Многие технологические прорывы, лежащие в основе современных успехов, были сделаны в периоды «зим», когда их практическая ценность не была очевидна. Это подчеркивает важность поддержки фундаментальных исследований даже в периоды спада интереса.
- **Цикличность развития технологий:** Индустрия ИИ подвержена циклам хайпа по модели Гартнера. Понимание этой динамики помогает прогнозировать потенциальные риски и принимать взвешенные стратегические решения.
См. также
- История искусственного интеллекта
- Бум искусственного интеллекта
- Эффект ИИ
- Экспертная система
- Коннекционизм
- Символьный искусственный интеллект
- Кривая зрелости технологий Гартнера
Литература
- Crevier, D. (1993). *AI: The Tumultuous History of the Search for Artificial Intelligence*. Basic Books.
- Nilsson, N. J. (2009). *The Quest for Artificial Intelligence: A History of Ideas and Achievements*. Cambridge University Press.
- Russell, S. J., & Norvig, P. (2020). *Artificial Intelligence: A Modern Approach* (4th ed.). Pearson.
- Haigh, T. (2024). Between the Booms: AI in Winter. *Communications of the ACM*.
- Minsky, M., & Papert, S. (1969). *Perceptrons: An Introduction to Computational Geometry*. MIT Press.
- Lighthill, J. (1973). *Artificial Intelligence: A General Survey*. Science Research Council.
