Hva er egentlig kunstig intelligens og hva er kunstig liv? Vi skal her prøve å beskrive hvordan fagretningene oppstod, og karakterisere hvilke temaer de er opptatt av.
Ordet "Kunstig intelligens" ble introdusert på en konferanse på Dartmouth College i 1956, der deltakerene mente at intelligens kan beskrives så presist at en datamaskin kan simulere det. Veldig forenklet kan vi si at de antok at hvis de elektroniske komponenetene i en datamaskin - hardware - svarer til hjernen hos et menneske, så kan en si at software – programvaren – svarer til intelligens.
Kan tenking programmeres?
Et år etter denne konferansen kom programmeringsspråket LISP – for List Processing Language. Dette var det første høynivåprogrammeringsspråket som var laget for bruk i kunstig intelligens-forskning. ELIZA – et program som simulerer spørsmål fra en psykoterapeut kom i 1965. Den første datamaskinen som spilte sjakk ble utviklet ved MIT i 1948. Det tok altså nesten 50 år med forskning før datamaskinen Deep Blue ble regjerende mester i sjakk.
I boka The Society of Mind, fra 1986, skriver Marvin Minsky: "Kunstig intelligens er forskningsfeltet som er opptatt av å få maskiner til å gjøre ting som folk mener krever intelligens". Han argumenterer for at hjernen kan forstås som en rekke små prosesser, eller agenter. Hver agent kan utføre enkle handlinger, kan sende meldinger til andre agenter, og kan også oppfatte deler av tilstanden til verden utenfor.
Et eksempel: Når du skal løfte en kopp te fra et bord kan vi tenke oss at det er flere agenter som virker – en agent som vil holde koppen, en balanserende agent som vil hindre at du søler, en tørst-agent, som vil drikke teen, og en flytte-agent som vil flytte koppen fra bordet til munnen din. Minsky ønsker å dekomponere tenking i slike smådeler, som kan være bevisste eller ubevisste.
Hva er så målet med kunstig intelligens? Robert Trappl setter opp tre mulige målsetninger:
1. Målet med kunstig intelligens er å forstå menneskelig intelligens bedre.
2. Målet med kunstig intelligens er å bygge maskiner som opptrer intelligent ved å bevege seg og handle i et delvis ukjent forandrende miljø med sensorer og effektorer.
3. Et mål med kunstig intelligens er å gjøre maskiner mer nyttige.
Et sentralt begrep innen kunstig intelligens har vært Turing-testen. Denne ble definert i artikkelen Computing Machinery and Intelligence fra 1950. Her definerer Alan Turing en serie tester som skal vise at maskiner har intelligens. En av testene går ut på at en person forhører en datamaskin og en annen person uten å se noen av dem. Dersom forhøreren ikke klarer å avgjøre hvem som er datamaskin, sier vi at maskinen tenker.
Utfordringer innen Kunstig intelligens
Forstå naturlige språk – få datamaskiner til å tolke utsagn fra mennesker, i et naturlig språk, hvor en kontekst er med på å bestemme hva som er meningen med et utsagn. Vanlige språk for å programmere datamaskiner er kontekstfrie.
Representere kunnskap – hvordan skal kunnskap representeres i en datamaskin. Det er vanlig å skille mellom data, informasjon og kunnskap, hvor data er tekst, koder, bilder, som "2.5M". Informasjon er data med en tolkning, for eksempel "2.5 meter", og informasjon som blir brukt i et datasystem til å bestemme handlinger er kunnskap. Slik kunnskap kan representeres i form av regler, som "kjøretøy som er høyere enn 2.5 meter bør ta en annen vei".
Tenke automatisk – å handle etter en overordnet målsetting, kunne ta avgjørelser etter hvor nyttig en handling vil være. En intelligent agent kan anbefale et menneske å lese en avisartikkel, basert på informasjon om hva personen liker og informasjon fra andre agenter om hva andre med samme smak liker.
Programmere symbolsk – å konstruere språk der datamaskiner manipulerer symboler – som kan brukes til å bevise matematiske teorier ved hjelp av symboler som A og B, og ikke bruke numeriske verdier.
Maskinlæring – å la datamaskiner lære regler. For eksempel ved å indusere regler fra sett med data. Det kan være å finne regelen "folk som kjøper mel kjøper alltid melk også" ved å analysere kassalapper fra dagligvarebutikker.
Dette var en beskrivelse av fagretningen kunstig intelligens. Vi vil nå se på hvordan fagretningen kunstig liv ble til, og hva som er sentrale problemstillinger.
Kunstig liv
"Kunstig liv" oppstod som uttrykk i 1987, og ble introdusert av informatikeren Christopher Langton på en workshop på Santa Fe Institute i New Mexico, USA. Tema var syntese og simulering av levende systemer.
Forskerne er interesserte i kilden til liv, og mener at for å studere intelligens, må vi studere livet i miljøet som det samhandler med. Et sentralt ord her er emergens, eller "frembryting". Når isolerte elementer begynner å vekselvirke, kan helheten av elementer oppnå kvalitativt nye egenskaper, som kan være umulig å forutsi utfra elementene.
Når kunstig liv-forskere simulerer liv, så studerer de liv som det kunne ha vært, ikke liv som vi kjenner det. Biologene studerer den evolusjonslinjen som finnes på jorden, og lager teorier om liv på bakgrunn av den.
Et eksempel på kunstig liv er å programmere kunstige molekyler i en datamaskin, og la dem vekselvirke på hverandre på enkle måter. Hvis flere molekyler går sammen og danner en celle, er det noe som datamaskinen ikke er eksplisitt programmert til. Dette kan tolkes som en syntetisk danning av ekte liv.
Evolusjonsalgoritmer
En retning innen kunstig liv er evolusjonsalgoritmer – eller genetiske algoritmer. En populasjon av algoritmer – enkle sett av steg i et programmeringsspråk for å løse et problem – genereres. Vi tillater at algoritmene muterer ved at vi innfører tilfeldige endringer i algoritmene, vi tillater også at algoritmer krysses med hverandre. Det vil si at to algoritmer splittes, og vi setter sammen to nye algoritmer med en del fra hver av de originale. Etter en gitt mengde mutering og kryssing velger vi ut de beste, som vi lar gå videre til neste generasjon. Etter en stund vil vi få algoritmer som er veldig flinke til å løse problemet vi har valgt dem ut etter.
Nevrale nettverk
En annen retning er kunstige nevrale nettverk – som simulerer nervesystemer som i den menneskelige hjerne. Neuroner og forbindelser simuleres, og nettverket kan trenes opp til å løse oppgaver. Vil vi trene opp et nettverk til å kunne addere tall, gir vi det en rekke regnestykker. Så belønner vi det når det svarer riktig, og straffer det når det svarer galt. Nettverket vil endre seg for å få mest mulig belønning, og etter en tid vil det svare riktig på de fleste regnestykker.
Utfordringer innen kunstig liv
Emergens av globale mønstre fra lokale fenomener – undersøke hvordan globale mønstre oppstår av lokale fenomener. Et eksempel er programmet Game of Life som ble utviklet på 70-tallet, der celler i et rutenett har enkle tilstander, som avhenger av tilstandene til nabocellene. I et slikt rutenett kan det oppstå mønstre som forandrer seg eller blir stabile, ettersom hvilke starttilstander cellene har.
Forstå kompleksitet – få større innsikt i komplekse, kaotiske og ikke-lineære prosesser i naturen som det ikke har vært mulig å analysere ved vanlige metoder.
Evolusjon av populasjoner og systemer med samhandlende populasjoner – analysere økosystemer, sosiale systemer ved simulering.
Evolusjonær robotikk – la programmer som styrere roboter utvikle seg i en simulert verden før
de lastes ned som et styringsprogram i en robot. Et forskningsprosjekt har laget Toybots - roboter som lages av legobrikker. Barn kan konstruere programmer som styrer oppførselen, ved å velge hvilke programmer som skal overleve en utvikling før det lastes ned.
Transformasjon fra genotyp til fenotyp – se hvordan instruksjoner som er kodet i gener (genotyper) har innvirkning på utviklingen til den fysiske organismen (fenotypen).
Fagretningene framover
Hva vil skje med fagfeltene framover? Kunstig intelligens var preget av en ekstrem optimisme på 70-tallet. De lovet mye, og klarte ikke å innfri. Nå er ambisjonene mer moderate, og kunstig liv kommer som en ny optimistisk vitenskap. Tiden vil vise om de klarer å levere resultater.
Torgeir Dingsøyr er stipendiat ved Institutt for datateknikk og informasjonsvitenskap ved NTNU. Han har e-post-adresse: dingsoyr@idi.ntnu.no
Kilder:
Ivan M. Havel: Artificial Intelligence and Connectionism: Some Philosophical Implications, fra Advanced Topics in Artificial Intelligence, Proceedings. Springer Verlag, 1992.
Henrik Hautop Lund – Livet som det kunne være, Weekendavisen, 24 feb – 2 mars 1995.
Pattie Maes: Modeling Adaptive Autonomous Agents, Artificial Life, MIT Press, 1995.
Marvin Minsky: The Society of Mind, Simon and Schuster, 1985
Roger Penrose: The Emperors new Mind, Oxford University Press, 1989
Robert Trappl: AI Introduction, Paradigms, Applications (including CBR), Impacts, Visions. fra Advanced Topics in Artificial Intelligence, Proceedings. Springer Verlag, 1992.
Go back.