Мы предлагаем провести двухмесячное исследование искусственного интеллекта в составе 10 человек летом 1956 года в Дартмутском колледже в Гановере, штат Нью-Гэмпшир. Исследование будет проводиться на основе предположения, что каждый аспект обучения или любой другой характеристики интеллекта в принципе может быть настолько точно описан, что машина может быть создана для его моделирования. Будет предпринята попытка выяснить, как заставить машины использовать язык, формировать абстракции и концепции, решать проблемы, которые сейчас доступны только человеку, и самосовершенствоваться. Мы считаем, что можно добиться значительного прогресса в решении одной или нескольких из этих проблем, если тщательно отобранная группа ученых будет работать над ней вместе в течение лета.

Однако, когда стало ясно, что "значительное продвижение" в воспроизведении глубины и масштаба когнитивных способностей человечества может занять больше восьми недель, ощущение неизбежности начало улетучиваться. Пришлось занять более терпеливую позицию, и то, что начиналось как своего рода академическая забава, превратилось в первые шаги в поисках, которые останутся далекими от завершения более полувека спустя. Тем не менее родилось нечто преобразующее.

Хотя задача разработки искусственного интеллекта быстро оказалась намного сложнее, чем предполагали ее основатели, идеи проекта оставались интересными и привлекали все большее число участников. В 1959 году Маккарти и Минский основали в Массачусетском технологическом институте проект "Искусственный интеллект", который превратился в Лабораторию искусственного интеллекта Массачусетского технологического института. В 1963 году Маккарти переехал в Стэнфорд, чтобы перенести исследования в области искусственного интеллекта на Западное побережье, и основал Стэнфордскую лабораторию искусственного интеллекта, или SAIL. К концу 1960-х годов обе лаборатории стали всемирно признанными центрами активности в этой области, каждая из которых способствовала развитию теории, экспериментов, оживленных дискуссий и творческих разработок в области аппаратного и программного обеспечения, а также робототехники.

Уроки были извлечены и из чрезмерных амбиций, которые были свойственны ранним этапам развития этой области, особенно в SAIL. К 1960-м годам интерес к цифровым представлениям небольших абстрактных виртуальных миров, часто населенных простыми объектами вроде блоков, позволял исследователям сосредоточиться на основах интеллекта, не перегружаясь деталями повседневной реальности. Одним из самых известных примеров такого подхода стала программа, созданная в Массачусетском технологическом институте докторантом Терри Виноградом, которая позволяла пользователю манипулировать коллекцией виртуальных цветных блоков с помощью команд на простом английском языке. Ниже приводится отрывок из особенно запоминающегося обмена:

ПОЛЬЗОВАТЕЛЬ: Найдите блок, который выше, чем тот, который вы держите в руках, и положите его в коробку.

КОМПЬЮТЕР: Под "ним", я полагаю, вы подразумеваете блок, который выше того, что я держу в руках.

ХОРОШО.

Пользователь: Что находится в коробке?

КОМПЬЮТЕР: Синяя пирамида и синий блок.

Пользователь: На чем держится пирамида?

Коробка.

Пользователь: Сколько блоков нет в коробке?

Четыре из них.

Даже сейчас, в эпоху беспрецедентно человекоподобных разговорных моделей ИИ, трудно не почувствовать, что это стенограмма диалога пользователя с полностью реализованным разумом. Неудивительно, что программа Винограда была воспринята как прорывное достижение и убедила многих наблюдателей в неизбежности революции ИИ. Более сложная реальность заключалась в том, что очевидная беглость и гибкость программы, по иронии судьбы, была продуктом ее ограничений. Хотя она могла красноречиво говорить на тему блоков, она могла делать это только на эту тему. Даже незначительные отклонения от ограниченного набора возможных вопросов и ответов рисковали сломать программу и выдать нелепый результат. Тем не менее, узкая направленность программы, похоже, действительно оправдала себя: программа делала не так много, но то, что она делала, было поразительно мощным.

Более глубокое исследование этой идеи было предпринято в 1970-х годах Эдом Фейгенбаумом, другим профессором Стэнфорда, исследователем SAIL и частым сотрудником Джона Маккарти. Вместо того чтобы попытаться расширить программы, подобные программе Винограда, что, скорее всего, снова попало в ловушку попыток раннего ИИ создать общий интеллект с нуля, он просто переместил его в другую область. В конце концов, почему бы ту же самую способность к языкам и рассуждениям не применить к чему-то в реальном мире, например к медицинскому обследованию или финансовому анализу? Что, если вместо того, чтобы отвечать на вопросы о наборе геометрических фигур, машина могла бы делать то же самое с базой данных симптомов заболеваний и атрибутов пациентов, или с записями транзакций и квартальными отчетами?

Инновация Фейгенбаума положила начало подпрограмме, получившей название "инженерия знаний", в которой факты о конкретной области - медицине, фармацевтике, финансах или почти обо всем другом - были организованы в библиотеки машиночитаемых данных, которые можно было анализировать подобно геометрическим фигурам Винограда, в виде естественно написанных вопросов и ответов, автоматизирующих опыт консультаций с человеческим экспертом.

Эти программы, получившие название "экспертные системы", стали самым убедительным за многие годы доказательством того, что ИИ может выполнять полезные задачи в реальном мире, и показали, что он может стать основой бизнеса - даже целой отрасли. Их очевидное коммерческое применение в сочетании с историческим снижением стоимости вычислений вдохновило создание многочисленных компаний в 1970-х и 1980-х годах, которые стремились вывести на рынок мощь инженерии знаний.

Одной из самых ранних и известных экспертных систем была программа INTERNIST-I, которая работала с библиотекой из пятисот описаний болезней и трех тысяч их проявлений. Первые испытания были обнадеживающими, и программа правильно диагностировала состояние пациента на основе наблюдений за симптомами, предоставленных пользователем, врачом-терапевтом, генерируя полезные результаты даже в сложных случаях. Среди других ранних примеров - MOLGEN, которая помогала молекулярным генетикам планировать эксперименты с ДНК; VM, сокращение от "Ventilator Management", консультировала врачей, наблюдающих за пациентами, которые находятся на искусственной вентиляции легких; и SECS, которая расшифровывалась как "Simulation and Evaluation of Chemical Synthesis" и давала ранний взгляд на потенциал ИИ в области открытия лекарств.

Несмотря на волну первоначального энтузиазма, разработка экспертных систем часто упиралась в логистические трудности, связанные с простой организацией таких огромных объемов информации. Все чаще разработчики сталкивались с проблемой ввода содержания медицинских учебников, научных работ, фармацевтической литературы и даже интервью с практикующими врачами. Хуже того, даже когда такие системы оказывались достаточно вооруженными данными, они часто не могли работать на уровне, сравнимом с человеческими экспертами в реальном мире. Несмотря на огромные объемы информации и сверхчеловеческую скорость ее поиска и обработки, их рассуждения оставались нечеткими и поверхностными, они слишком строго следовали формально определенным правилам, были лишены здравого смысла и постоянно сбивались на неожиданные "слепые пятна".

По мере того, как спадал коммерческий интерес и исчезало финансирование, многие приходили к выводу, что идея разумных машин интересна, но несостоятельна - в очередной раз. Каким бы ни оказалось будущее ИИ - как оно будет выглядеть, когда наступит и как мы