В исследованиях искусственного интеллекта здравый смысл состоит из фактов из повседневного мира, таких как «Лимоны кислые» или «Коровы говорят му», которые, как ожидается, будут знать все люди. В настоящее время это нерешенная проблема в области искусственного интеллекта . Первой программой искусственного интеллекта, обращающейся к знаниям здравого смысла, была программа Advice Taker , разработанная Джоном Маккарти в 1959 году . [1]
Знания здравого смысла могут лежать в основе процесса рассуждений, основанного на здравом смысле , для попыток сделать такие выводы, как «Вы можете испечь торт, потому что хотите, чтобы люди его съели». К базе знаний здравого смысла можно присоединить процесс обработки естественного языка, чтобы база знаний могла попытаться ответить на вопросы о мире. [2] Здравый смысл также помогает решать проблемы в условиях неполной информации . Используя широко распространенные представления о повседневных объектах или знания здравого смысла , системы ИИ делают предположения здравого смысла или предположения по умолчанию о неизвестном, подобно тому, как это делают люди. В системе искусственного интеллекта или на английском языке это выражается как «Обычно P выполняется», «Обычно P» или «Обычно P, поэтому предположим, что P». Например, если мы знаем тот факт, что «Твити — это птица», поскольку мы знаем широко распространенное мнение о птицах «обычно птицы летают», не зная ничего больше о Твити, мы можем разумно предположить тот факт, что «Твити может летать». " По мере того, как со временем обнаруживается или изучается все больше знаний о мире, система ИИ может пересматривать свои предположения о Твити, используя процесс поддержания истины . Если позже мы узнаем, что «Твити — пингвин», то поддержание истины пересматривает это предположение, потому что мы также знаем, что «пингвины не летают».
Рассуждения, основанные на здравом смысле, моделируют способность человека использовать знания здравого смысла, чтобы делать предположения о типе и сути обычных ситуаций, с которыми они сталкиваются каждый день, и менять свое «сознание», если появляется новая информация. Сюда входит время, отсутствующая или неполная информация, а также причина и следствие. Способность объяснять причину и следствие — важный аспект объяснимого ИИ . Алгоритмы поддержания истины автоматически предоставляют возможность объяснения, поскольку они создают тщательно продуманные записи предположений. По сравнению с людьми, все существующие компьютерные программы, пытающиеся реализовать ИИ человеческого уровня, крайне плохо справляются с современными тестами на «здравый смысл», такими как Winograd Schema Challenge . [3] Проблема достижения компетентности человеческого уровня в задачах «здравого смысла» считается, вероятно, « исполненной ИИ » (то есть, ее решение потребует способности синтезировать интеллект полностью человеческого уровня), [4] [ 5], хотя некоторые выступают против этой идеи и считают, что для ИИ человеческого уровня также необходим сострадательный интеллект. [6] Рассуждения, основанные на здравом смысле, успешно применяются в более ограниченных областях, таких как обработка естественного языка [7] [8] и автоматическая диагностика [9] или анализ. [10]
Составление комплексных баз знаний здравого смысла (CSKB) является давней проблемой в исследованиях ИИ. Благодаря ранним усилиям экспертов, таких как CYC и WordNet , значительные успехи были достигнуты благодаря краудсорсинговому проекту OpenMind Commonsense , который привел к созданию краудсорсинговой базы знаний ConceptNet. Несколько подходов пытались автоматизировать построение CSKB, в первую очередь с помощью интеллектуального анализа текста (WebChild, Quasimodo, TransOMCS, Ascent), а также их сбора непосредственно из предварительно обученных языковых моделей (AutoTOMIC). Эти ресурсы значительно больше, чем ConceptNet, хотя автоматизированное создание в большинстве случаев делает их умеренно более низкого качества. Также остаются проблемы с представлением здравого смысла: большинство проектов CSKB следуют тройной модели данных, которая не обязательно лучше всего подходит для взлома более сложных утверждений естественного языка. Заметным исключением здесь является GenericsKB, который не применяет дальнейшей нормализации к предложениям, но сохраняет их полностью.
Примерно в 2013 году исследователи Массачусетского технологического института разработали BullySpace, расширение базы знаний здравого смысла ConceptNet , чтобы улавливать насмешливые комментарии в социальных сетях. BullySpace включил более 200 семантических утверждений, основанных на стереотипах, чтобы помочь системе сделать вывод, что комментарии типа «Надень парик и помаду и будь тем, кто ты есть на самом деле» с большей вероятностью будут оскорблением, если они адресованы мальчику, чем девочке. [11] [12] [13]
ConceptNet также использовался чат-ботами [14] и компьютерами, сочиняющими оригинальные художественные произведения. [15] В Ливерморской национальной лаборатории имени Лоуренса знания здравого смысла были использованы в интеллектуальном программном агенте для обнаружения нарушений договора о всеобъемлющем запрещении ядерных испытаний . [16]
Например, по состоянию на 2012 год ConceptNet включает в себя 21 независимое от языка отношение: [17]