Czym jest AI-complete?
Termin AI-complete opisuje klasę zadań, których skuteczne rozwiązanie wymaga poziomu inteligencji porównywalnego z ludzką. Oznacza to, że system potrafiący w pełni wykonać takie zadanie musiałby posiąść szerokie zdolności poznawcze: rozumienie języka naturalnego, zdolność uczenia się w nowych sytuacjach, kojarzenie kontekstów i podejmowanie decyzji na podstawie niepełnych danych. Wzorce pojęciowe zaczerpnięto z teorii złożoności obliczeniowej: tak jak problemy NP-complete można wzajemnie do siebie redukować, tak problemy AI-complete można sprowadzać do zagadnienia ogólnej inteligencji maszynowej.
Jak dokładnie działa pojęcie AI-complete
Kiedy badacz określa zadanie jako AI-complete, sugeruje, że każdy algorytm spełniający wymogi zadania musiałby wykazać się szerokim „zrozumieniem świata” – od analizy percepcyjnej po wnioskowanie symboliczne. W praktyce oznacza to potrzebę integracji wielu pod-dziedzin: uczenia maszynowego, przetwarzania języka, planowania i logiki. Dopiero całościowe powiązanie tych elementów pozwalałoby osiągnąć poziom kompetencji podobny do ludzkiego, co odróżnia AI-complete od wąskich problemów, które można rozwiązać dedykowaną heurystyką lub modelem statystycznym.
Kontekst historyczny
Najwcześniejsze udokumentowane użycie zwrotu przypisuje się Fany Montalvo (1991), choć koncepcję szybko podchwycili badacze tacy jak Aaron Sloman czy Ben Goertzel. W latach 90. pojęcie zadomowiło się w literaturze konferencyjnej AAAI oraz wykładach na MIT i Stanford, służąc do oddzielenia ambitnych celów sztucznej inteligencji od zadań wąskospecjalistycznych.
Zastosowania w praktyce
Ilustracją może być tłumaczenie maszynowe całych tekstów wraz z niuansami kulturowymi. Osiągnięcie jakości nieodróżnialnej od pracy zawodowego tłumacza wymaga nie tylko statystycznego dopasowania fraz, lecz także głębokiego modelu wiedzy o świecie, kontekście i intencji autora. Innym przykładem jest prowadzenie swobodnej rozmowy z użytkownikiem, która wymusza zrozumienie sarkazmu, emocji i wiedzy ogólnej.
Porównanie z klasycznymi rozwiązaniami
Algorytmy symboliczne z lat 70. radziły sobie w precyzyjnych domenach, np. rozwiązywaniu twierdzeń geometrycznych, jednak każdorazowo wymagały ręcznie opracowanej bazy reguł. Zadania AI-complete są zbyt rozległe, aby zamknąć je w skończonym zbiorze instrukcji; potrzebują systemów uczących się i generalizujących. Analogicznie, klasyczne wyszukiwanie heurystyczne wystarcza w grze w szachy, lecz nie poradzi sobie z interpretacją ironii w dialogu.
Zalety i ograniczenia
Pojęcie AI-complete pozwala szybko ocenić, czy dane wyzwanie wymaga badań nad ogólną inteligencją czy tylko udoskonalenia istniejących technik. Należy jednak pamiętać, że termin nie ma ścisłej definicji matematycznej, a granica między zadaniami AI-complete a nie-AI-complete bywa płynna i zależy od stanu wiedzy technicznej. Co więcej, samo oznaczenie zadania jako AI-complete nie podpowiada bezpośredniej drogi do rozwiązania.
Na co uważać?
Pojęcie bywa mylone z kategorią NP-complete, co prowadzi do błędnego utożsamiania trudności obliczeniowej z trudnością poznawczą. W praktyce problem może być obliczeniowo prosty, a jednocześnie AI-complete, jeśli wymaga szerokiej wiedzy o świecie. Kryterium jest złożoność semantyczna, niekoniecznie złożoność czasowa czy pamięciowa.
Dodatkowe źródła
Szczegółowe omówienie znajduje się w artykule Wikipedia – AI-complete. Analizę formalnych konsekwencji pojęcia przedstawia publikacja „On the Measure of Intelligence” na arXiv.org. Historyczne tło dyskutuje wykład Aarona Slomana, dostępny w repozytorium Uniwersytetu Birmingham.
