AIMA faktycznie definiuje sztuczną inteligencję poprzez pojęcie racjonalnych agentów, a najczystsza, krótka wersja tego stwierdzenia brzmi: system AI to agent, który działa tak, aby osiągnąć najlepsze oczekiwane wyniki w warunkach niepewności.
To brzmi schludnie. Jest też bardziej ostrożne niż wielu ludzi się spodziewa. Książka nie twierdzi, że AI dotyczy wyłącznie doskonałej logiki lub surowego przeszukiwania. Mówi natomiast, że racjonalny agent powinien wybrać działanie dające najlepszy oczekiwany wynik, biorąc pod uwagę to, co wie.
Zawsze wracam do tego słowa, oczekiwany. Ma ono znaczenie, ponieważ świat jest chaotyczny. Agent rzadko zna prawdziwy stan świata. Działa na podstawie częściowych faktów, domysłów i prawdopodobieństw. Dlatego właściwy ruch to nie ten, który daje najlepszy możliwy wynik w fantazji, lecz ten, który zapewnia najlepsze średnie rezultaty, ważone według szans wystąpienia każdego z nich.
W tym tkwi sedno idei oczekiwanej użyteczności. Użyteczność to po prostu liczba określająca, jak dobry jest dla agenta dany wynik. Wyższa użyteczność oznacza lepszy wynik. Oczekiwana użyteczność oznacza, że agent sumuje wartości tych wyników, ale każdy z nich jest ważony swoją szansą na wystąpienie. Następnie agent wybiera działanie o najwyższym wyniku.
To właśnie ten aspekt sprawia, że AIMA jest przydatna w kontekście pracy nad systemami. Daje ona jasną regułę decyzyjną. Agent nie tylko reaguje. Nie tylko przechowuje fakty. Wybiera działania na podstawie przekonań, celów i niepewności. Dlatego książka ramuje AI jako naukę o racjonalnych agentach, a nie jedynie o sprytnym kodzie.
Dla deweloperów jest to silne narzędzie analityczne. Zamienia AI w problem inżynierski z wejściami, wyborami działań i regułą punktacji. System percepcyjny aktualizuje to, w co wierzy agent. Model przewiduje, co może stać się dalej. Funkcja użyteczności mówi, jaki wynik jest lepszy. Polityka (jeśli chcesz użyć szerokiego terminu) to wybór działania, które najlepiej pasuje do tych elementów.
Nie oznacza to, że każdy praktyczny system AI wygląda jak schludny maksymalizator użyteczności. Wiele takich systemów nie wygląda tak. Niektóre są trenowane za pomocą funkcji straty, a nie ręcznie konstruowanych użyteczności. Niektóre są dopasowywaczami wzorców. Niektóre są wąskimi narzędziami, które dobrze wykonują jedno zadanie i nic więcej. Definicja z AIMA to teoria racjonalnego zachowania, a nie twierdzenie, że każdy wydany system dosłownie posiada wewnątrz siebie schludną tabelę użyteczności.
To ograniczenie ma znaczenie. Definicja jest potężna, ponieważ jest szeroka. Ukrywa jednocześnie kilka trudnych pytań. Kto definiuje użyteczność? Co jeśli cele są błędne? Co jeśli model jest niepewny co do samego celu? AIMA mówi o racjonalności w warunkach niepewności, ale rzeczywiste systemy często borykają się z chaotycznymi sygnałami nagrody, niekompletną informacją zwrotną i celami, które są znane tylko częściowo. Teoria pozostaje czysta. Implementacja już nie.
Myślę, że to właściwe miejsce, by czytać AIMA. Nie jako hype. Nie jako magiczną formułę. To sposób na określenie tego, co AI powinna robić, gdy chcemy, by działała dobrze w warunkach niepewności. To przydatny standard. Jest on także rygorystyczny. Jeśli system nie może wyjaśnić, co próbuje zmaksymalizować, ani nie potrafi dobrze działać, gdy przyszłość jest niejasna, luka pojawia się szybko.
Więc odpowiedź na pytanie zawarte w nagłówku jest prosta. AIMA definiuje AI jako racjonalne agenty maksymalizujące oczekiwaną użyteczność. Głębszy punkt jest równie ważny. Ta definicja nie chodzi o to, by brzmieć mądrze. Chodzi o to, by czynić działanie w warunkach niepewności wystarczająco precyzyjnym, by można było wokół niego budować.
Tego rodzaju klarowności oczekuję od definicji AI. Jednego praktycznego konceptu, jednego działającego przykładu i jednego szczerego spojrzenia na to, co naprawdę działa. To również jest obietnicą The Model Log.



