Я останнім часом занурююся у основи штучного інтелекту, і є таке фундаментальне поняття, яке часто ігнорується, але досить цікаве — реактивні машини. Вони по суті найпростіша форма ШІ, і чесно кажучи, вони скрізь, навіть якщо більшість людей цього не усвідомлює.

Тож що саме таке реактивні машини? Уявіть їх як системи, що слідують заздалегідь заданим правилам — вони спостерігають за тим, що відбувається зараз, обробляють це миттєво і реагують відповідно до програми. Немає пам’яті, немає навчання, немає покращення з часом. Вони зафіксовані у поточному моменті. Найвідоміший приклад — Deep Blue від IBM 1997 року, який переміг Гаррі Каспарова у шахах. Він міг обчислювати мільйони ходів за секунду, але не мав жодних спогадів про попередні ігри або навіть свої минулі ходи. Ось так працюють реактивні машини.

Тепер ось де стає цікаво. Незважаючи на їхні обмеження, реактивні машини виявляються досить цінними для певних завдань. Візьмемо виробництво — роботизовані лінії, що виконують одне й те саме зварювальне або пакувальне завдання знову і знову, орієнтуючись на миттєву зворотний зв’язок сенсорів. Або системи візуального контролю, що перевіряють продукцію на дефекти в реальному часі. Навіть деякі прості чат-боти для обслуговування клієнтів працюють за реактивною моделлю, співставляючи ключові слова і видаючи заздалегідь визначені відповіді без урахування контексту або історії розмови.

Реактивні машини можна побачити і в повсякденних речах. Ваш термостат — один із них: він читає поточну температуру і відповідно регулює опалення або охолодження. Старі системи світлофорів працюють схоже, реагуючи на поточний потік транспорту без будь-якого адаптивного інтелекту. У ігровому ШІ також часто використовують цей підхід: NPC реагують на ваші дії без справжнього навчання з них.

Але є очевидні обмеження. Реактивні машини не можуть навчатися або адаптуватися до ситуацій за межами своєї програми. Кожне рішення здається першим, бо немає пам’яті. Вони строго обмежені тим, що закодовано у них. Помістіть їх у динамічне, непередбачуване середовище — і вони починають мляво реагувати, бо не здатні еволюціонувати поза своїм початковим налаштуванням.

Що цікаво, хоча реактивні машини здаються примітивними порівняно з сучасними системами машинного навчання та глибокого навчання, вони все ще незамінні для певних застосувань. Вони швидкі, надійні і роблять саме те, що ви їх запрограмували, без відхилень. Оскільки ШІ продовжує рухатися у напрямку більш контекстуально орієнтованих моделей, реактивні машини ймовірно залишаться у використанні для завдань, де важливіше простота і стабільність, ніж адаптація.