Введение
Факты, которые, как предполагается, известны всем людям
В исследованиях искусственного интеллекта, здравый смысл представляет собой совокупность фактов о повседневном мире, таких как "Лимоны кислые" или "Коровы мычат", которые, как ожидается, знает каждый человек. В настоящее время это нерешенная проблема в области искусственного общего интеллекта. Первой программой ИИ, которая попыталась использовать знания здравого смысла, была программа Advice Taker, разработанная Джоном Маккарти в 1959 году. Знания здравого смысла могут служить основой для процесса рассуждений, основанного на здравом смысле, позволяя делать выводы, например: "Вы можете испечь торт, потому что хотите, чтобы кто-то его съел". К базе знаний здравого смысла можно подключить процесс обработки естественного языка, чтобы база знаний могла пытаться отвечать на вопросы о мире. Знания здравого смысла также помогают решать проблемы при неполной информации. Используя общепринятые представления о повседневных предметах или знания здравого смысла, системы ИИ делают обоснованные предположения или предположения по умолчанию об неизвестном, подобно тому, как это делают люди. В системе ИИ или на естественном языке это выражается как "Обычно P верно", "Как правило, P" или "Как правило, P, следовательно, предположим P". Например, если мы знаем факт "Твити – птица", и, зная общепринятое представление о птицах, что "птицы обычно летают", не зная ничего другого о Твити, мы можем обоснованно предположить, что "Твити умеет летать". По мере накопления знаний о мире система ИИ может пересматривать свои предположения о Твити, используя механизм поддержания истинности. Если позже мы узнаем, что "Твити – пингвин", то механизм поддержания истинности пересмотрит это предположение, поскольку мы также знаем, что "пингвины не летают".
Общепринятые рассуждения
Рассуждения, основанные на здравом смысле, моделируют способность человека использовать знания здравого смысла для формирования предположений о типе и сущности обыденных ситуаций, с которыми он сталкивается ежедневно, и пересматривать свои суждения при поступлении новой информации. Это включает в себя понимание времени, умение работать с неполной или отсутствующей информацией, а также причинно-следственные связи. Способность объяснять причинно-следственные связи является важным аспектом объяснимого искусственного интеллекта. Алгоритмы поддержания непротиворечивости автоматически предоставляют возможность объяснения, поскольку они создают подробные записи предположений. По сравнению с человеком, все существующие компьютерные программы, стремящиеся к достижению искусственного интеллекта человеческого уровня, демонстрируют крайне низкие результаты на современных тестах для оценки рассуждений, основанных на здравом смысле, таких как Winograd Schema Challenge. Проблема достижения компетентности человеческого уровня в задачах, требующих знаний здравого смысла, вероятно, является "AI-полной" (то есть, её решение потребует создания искусственного интеллекта, сопоставимого с человеческим), хотя некоторые не согласны с этим утверждением и полагают, что для достижения искусственного интеллекта человеческого уровня также необходим эмпатический интеллект. Рассуждения, основанные на здравом смысле, успешно применяются в более узких областях, таких как обработка естественного языка и автоматизированная диагностика или анализ.
Создание базы знаний в области здравого смысла
Составление всеобъемлющих баз знаний здравого смысла (CSKB) – давняя задача в области исследований искусственного интеллекта. От ранних проектов, основанных на экспертных знаниях, таких как CYC и WordNet, значительные успехи были достигнуты благодаря краудсорсинговому проекту OpenMind Commonsense, который привел к созданию базы знаний ConceptNet KB. Ряд подходов был предпринят для автоматизации построения CSKB, в частности, с использованием текстовой обработки (WebChild, Quasimodo, TransOMCS, Ascent), а также извлечения знаний непосредственно из предварительно обученных языковых моделей (AutoTOMIC). Эти ресурсы значительно превосходят ConceptNet по размеру, однако автоматизированное построение зачастую приводит к несколько более низкому качеству. Остаются и проблемы, связанные с представлением знаний здравого смысла: большинство проектов CSKB используют тройную модель данных, которая не всегда оптимальна для представления сложных утверждений на естественном языке. Примечательным исключением является GenericsKB, который не применяет дополнительную нормализацию к предложениям, а сохраняет их в исходном виде.
Приложения
Примерно в 2013 году исследователи из MIT разработали BullySpace – расширение базы знаний здравого смысла ConceptNet, предназначенное для выявления издевательских комментариев в социальных сетях. BullySpace включал более 200 семантических утверждений, основанных на стереотипах, чтобы помочь системе понять, что комментарии вроде "Надень парик и помаду и будь тем, кто ты есть на самом деле" с большей вероятностью будут восприняты как оскорбление, если они адресованы мальчику, а не девочке. ConceptNet также используется в чат-ботах и компьютерах, создающих оригинальные художественные произведения. В Национальной лаборатории Лоуренса Ливермора знания здравого смысла были применены в интеллектуальном программном агенте для обнаружения нарушений всеобъемлющего договора о запрещении ядерных испытаний.