Calculatoarele au început să demonstreze teoreme, să aplice reguli, să învețe distincții simple și să imite conversații. Fiecare reușită părea să apropie viitorul. Apoi cercetătorii au descoperit cât de greu era să ducă aceste rezultate din laborator în viața de zi cu zi.
În 1956, un program de calculator era descris într-o lucrare despre ceva care părea să aparțină minții umane: găsirea unei demonstrații matematice. Programul, numit Logic Theorist, căuta o succesiune de pași prin care să arate că o afirmație este adevărată. Allen Newell și Herbert Simon, care lucrau la el împreună cu programatorul J. C. Shaw, începuseră proiectul cu un an înainte, chiar în perioada în care se pregătea întâlnirea de la Dartmouth.
Pentru cercetători, o asemenea reușită deschidea o perspectivă tentantă. Dacă puteai descrie unui calculator cum să caute o demonstrație, poate că puteai proceda asemănător și cu alte activități ale gândirii. Jocurile, limbajul și rezolvarea problemelor deveneau terenuri de experimentare.
În următoarele decenii, această încredere avea să fie pusă la încercare de multe ori. Programele reușeau lucruri remarcabile, însă fiecare pas în afara situațiilor pentru care fuseseră pregătite aducea dificultăți noi. Istoria primelor mașini inteligente este și povestea descoperirii acestor dificultăți.
Când regulile par să deschidă toate ușile
În spatele Logic Theorist se afla o abordare pe care o putem înțelege fără matematică avansată. Programul primea afirmații și reguli prin care putea ajunge de la unele afirmații la altele. Căuta apoi un drum către rezultatul cerut, folosind metode care îl ajutau să aleagă direcții promițătoare. A reușit să demonstreze zeci de teoreme dintr-o lucrare importantă de logică matematică.
Această direcție a devenit cunoscută drept inteligență artificială simbolică. Ideea era să reprezinți lucruri și relații prin simboluri, apoi să construiești reguli pentru lucrul cu ele. De exemplu, dacă într-un joc o piesă poate avansa numai pe un pătrat liber, programul poate verifica această condiție înainte să aleagă mutarea. Oamenii descriu regulile, iar calculatorul le folosește pentru a căuta o soluție.
Atracția metodei era ușor de înțeles. Puteai urmări pașii programului și vedea de ce ajunsese la un rezultat. Dar succesul depindea de cât de bine reușeai să descrii problema de la început. Pe o tablă de joc, piesele și mutările sunt cunoscute. Într-o conversație obișnuită, sensul poate depinde de o aluzie, de o informație lipsă sau de ceva petrecut cu o zi înainte.
Un program putea fi priceput într-o lume cu reguli clare și neajutorat imediat ce problema ieșea din acea lume. La început, amploarea acestei diferențe era greu de anticipat.
O altă speranță: mașina să învețe din încercări
Regulile scrise de oameni coexistau deja cu o altă idee. În 1958, psihologul Frank Rosenblatt a atras atenția cu perceptronul, un sistem inspirat de conexiunile dintre neuroni. Într-o demonstrație, calculatorul a învățat să deosebească niște cartele după poziția marcajelor, în stânga sau în dreapta. Sarcina era simplă, însă metoda sugera ceva important: rezultatul se putea îmbunătăți prin ajustări făcute pe baza exemplelor.
Ne putem imagina entuziasmul pornind de la această diferență. Dacă o mașină poate învăța o deosebire atât de simplă, ce ar putea recunoaște după mai multă pregătire? Presa a preluat promisiunea, iar posibilitățile viitoare au ajuns repede să ocupe mai mult spațiu decât demonstrația propriu-zisă.
Perceptronul timpuriu avea însă posibilități limitate. Între recunoașterea unor marcaje și înțelegerea unei fotografii se afla multă muncă încă nerezolvată. Vom reveni la această direcție în episodul următor. Pentru moment, ea arată că învățarea din exemple făcea deja parte din istoria AI, chiar în anii dominați de reguli și simboluri.
ELIZA răspunde, iar omul completează sensul
O altă încercare avea să scoată la iveală ceva neașteptat despre relația noastră cu aceste mașini. La MIT, Joseph Weizenbaum a construit ELIZA, un program conversațional descris într-un articol din 1966. În varianta sa cea mai cunoscută, numită DOCTOR, programul imita un interlocutor care te încurajează să vorbești despre tine, reluând sau reformulând ceea ce scriai.
Într-un dialog publicat de Weizenbaum, utilizatoarea spune că iubitul ei a făcut-o să vină acolo. Programul îi întoarce afirmația sub forma unei reluări. Conversația poate continua, deși răspunsul oferă foarte puțină informație nouă. ELIZA identifica anumite cuvinte și aplica reguli de transformare a propozițiilor; nu construia răspunsurile prin metodele folosite de modelele lingvistice de astăzi.
O întâmplare relatată de cercetătorul Daniel Bobrow și păstrată în arhiva MIT arată cât de convingător putea deveni acest schimb. Un director al companiei BBN a găsit un terminal pe care rula o versiune a programului și a crezut că discută de la distanță cu Bobrow. A întrebat dacă poate folosi calculatorul, a primit întrebări înapoi și, în cele din urmă, s-a supărat pe presupusul interlocutor. L-a sunat pe cercetător pentru a-i cere explicații. Abia atunci a aflat cu cine purtase, de fapt, conversația.
Întâmplarea are umor, dar spune și ceva despre noi. Când primim un răspuns care pare potrivit, suntem gata să presupunem că există în spatele lui o înțelegere a situației. Completăm singuri ceea ce programul lasă neclar. ELIZA a făcut vizibilă această tendință cu mult înaintea asistenților actuali.
Un răspuns care pare potrivit nu este, prin el însuși, dovada că programul a înțeles situația. Experimentul lui Weizenbaum anticipa astfel o problemă importantă pentru utilizatorii sistemelor conversaționale moderne.
De ce încă un pas putea deveni prea mult
Pe măsură ce cercetătorii încercau probleme mai dificile, apărea un obstacol care se repeta: numărul posibilităților de explorat creștea foarte repede. Să presupunem că un program are zece variante la fiecare pas. Pentru două alegeri succesive există o sută de combinații, iar pentru șase există deja un milion. Exemplul este simplificat, dar arată de ce o metodă care funcționează la scară mică poate deveni impracticabilă când problema se mărește.
La această dificultate se adăugau calculatoarele vremii, cu memorie și putere de calcul mult mai reduse decât cele de astăzi. În același timp, multe informații pe care oamenii le folosesc firesc trebuiau explicate programului. O cerere precum „pune obiectul într-un loc sigur” presupune să știi ce este obiectul, ce îl poate deteriora și ce locuri sunt disponibile. Pentru om, contextul poate părea evident. Programul are nevoie de o modalitate de a lucra cu el.
În 1966, raportul american ALPAC pusese deja sub semnul întrebării rezultatele și costurile traducerii automate, temperând așteptările din domeniu. În 1973, un raport realizat de matematicianul James Lighthill pentru organismul britanic de finanțare a cercetării a evaluat foarte critic rezultatele AI. Raportul a provocat controverse și a contribuit la reducerea finanțării în Marea Britanie. Promisiunile de progres se loveau acum și de întrebarea celor care susțineau proiectele: ce rezultate justifică banii și timpul investite?
Perioadele de retragere a finanțării și a încrederii au ajuns să fie numite „ierni AI”. Efectele lor au variat între țări, instituții și direcții de cercetare. Pentru echipele afectate, însemnau însă mai puține resurse și mai puține posibilități de a continua experimentele.
Să-l învățăm măcar o meserie
În paralel cu aceste dificultăți, o direcție începută în anii 1960 câștiga teren: concentrarea cunoștințelor unui specialist într-un program dedicat unei sarcini bine delimitate. Așa au apărut sistemele expert. În locul unei promisiuni foarte largi, cercetătorii puteau urmări o problemă concretă, pentru care existau oameni cu experiență și rezultate de comparat.
La Stanford, în anii 1970, proiectul MYCIN a explorat recomandarea unor tratamente pentru anumite infecții bacteriene. Programul cerea informații despre caz și aplica reguli construite din cunoștințe medicale. Putea explica de ce solicită un anumit detaliu sau cum ajunge la o recomandare. A rămas însă un proiect de cercetare, fără să intre în utilizarea clinică de rutină.
Această diferență conta enorm. Evaluarea unor cazuri într-un experiment și folosirea zilnică într-un spital presupun condiții diferite. Cunoștințele trebuie actualizate, informațiile pot fi incomplete, iar programul trebuie folosit în limitele pentru care a fost construit. MYCIN a arătat atât valoarea organizării cunoștințelor de specialitate, cât și dificultatea de a transforma această reușită într-un serviciu obișnuit.
În industrie, un alt sistem a ajuns efectiv la lucru. La începutul anilor 1980, compania Digital Equipment Corporation a introdus XCON, dezvoltat inițial la Carnegie Mellon. Rolul său era să ajute la configurarea comenzilor de calculatoare: ce componente trebuie incluse și cum se potrivesc între ele. Pentru o companie care livra sisteme alcătuite din multe piese și opțiuni, aceasta era o problemă practică importantă.
Experiența descrisă atunci de un reprezentant al companiei arată însă câtă muncă venea după prima versiune. Regulile trebuiau corectate și extinse, iar oamenii care întrețineau programul aveau nevoie de pregătire. Apariția unor componente noi însemna și actualizarea cunoștințelor sistemului. XCON a devenit parte a procesului de producție prin acest efort continuu.
AI începuse să ofere valoare practică în sarcini bine alese. Acea valoare depindea și de oamenii care pregăteau, verificau și întrețineau sistemul.
Entuziasmul revine, dar dificultățile rămân
Reușitele sistemelor expert au alimentat interesul comercial din anii 1980. Ideea de a păstra experiența unui specialist într-un program era atrăgătoare pentru companii. În practică, obținerea acelei experiențe sub forma unor reguli cerea timp, iar regulile deveneau tot mai greu de întreținut pe măsură ce sistemul creștea.
Spre sfârșitul deceniului, o parte a pieței AI a intrat într-o nouă perioadă de recul. Așteptările prea mari, dificultățile proiectelor și problemele comerciale ale calculatoarelor specializate pentru AI au contribuit la ceea ce este numit adesea a doua iarnă AI. Unele soluții au continuat să fie utile, în timp ce investițiile și entuziasmul pentru domeniu s-au răcit.
Cercetarea a mers mai departe. În mărturiile păstrate de Computer History Museum, cercetători ai perioadei amintesc inclusiv dezvoltarea unor metode noi în anii considerați „de iarnă”. Din perspectiva unui laborator care continua să lucreze, peisajul putea arăta foarte diferit de imaginea unei industrii în recul.
La apropierea anului 1990, se contura tot mai clar o dificultate: oricât de multe reguli scriau oamenii, realitatea putea aduce situații pe care nu le prevăzuseră. Învățarea din exemple, încercată încă din primele decenii, oferea o altă cale de explorat.
Ce s-ar întâmpla dacă, pentru a recunoaște un obiect, i-am arăta calculatorului suficiente exemple, în loc să încercăm să descriem fiecare detaliu? Întrebarea era veche. Datele, calculatoarele și metodele care aveau să-i dea o forță nouă începeau să se întâlnească. În următorul articol vom vedea cum această întâlnire a schimbat ritmul evoluției AI.
Dacă apreciezi conținutul Omul Digital, susține dezvoltarea proiectului.
Surse și documentare
National Research Council, Language and Machines: Computers in Translation and Linguistics, 1966. Raportul ALPAC și evaluarea traducerii automate.
Computer History Museum, Logic Theorist, cronologia anului 1955, pentru începutul proiectului, rezultate și contribuția lui J. C. Shaw. Documentarea se sprijină pe cronologia muzeului; accesul la unele arhive universitare este limitat.
Cornell Chronicle, Professor’s perceptron paved the way for AI, 60 years too soon, 2019. Contextul demonstrației din 1958 și principiul perceptronului.
Joseph Weizenbaum, ELIZA: A Computer Program for the Study of Natural Language Communication Between Man and Machine, 1966. Lucrarea originală, găzduită de Stanford.
MIT CSAIL, Early Artificial Intelligence Projects, secțiunea despre ELIZA. Include întâmplarea relatată de Daniel Bobrow.
University of Edinburgh, arhiva dezbaterii televizate despre raportul Lighthill din 1973.
John McCarthy, Some Expert Systems Need Common Sense, 1984. Analiză despre MYCIN, limitele sale și lipsa utilizării în producție.
Stephen Polit, R1 and Beyond: AI Technology Transfer at DEC, 1984. Relatare din interiorul companiei despre XCON și întreținerea sistemelor expert.
IBM, The History of Artificial Intelligence, pentru contextul reculului comercial de la sfârșitul anilor 1980.
Computer History Museum, Artificial Intelligence History: Expert Systems, 2017. Mărturii ale cercetătorilor despre evoluția sistemelor expert și continuarea cercetării în perioadele de recul.