El General Problem Solver (GPS) fue un programa temprano de inteligencia artificial desarrollado por Allen Newell, Herbert A. Simon y J. C. Shaw. Demostrado por primera vez en 1957, GPS fue diseñado para resolver una amplia gama de problemas mediante la aplicación de un método de razonamiento de propósito general en lugar de conocimiento específico del dominio. Se lo considera ampliamente como un hito fundamental en la historia de la inteligencia artificial y la ciencia cognitiva.
GPS operaba sobre una representación formal de problemas, utilizando una técnica llamada análisis de medios y fines. Este enfoque implicaba comparar el estado actual de un problema con un estado objetivo deseado, identificar diferencias y seleccionar operadores que pudieran reducir esas diferencias. El programa aplicaba este proceso de manera recursiva hasta que se alcanzaba la meta. Aunque GPS no era realmente general en la práctica, su arquitectura influyó en muchos sistemas de IA posteriores y contribuyó al desarrollo del aprendizaje automático y de los paradigmas de resolución de problemas.
Orígenes y desarrollo
GPS fue concebido en la RAND Corporation y posteriormente desarrollado en la Universidad Carnegie Mellon (entonces Instituto Carnegie de Tecnología). Newell, Simon y Shaw habían trabajado anteriormente en el Logic Theorist (1956), un programa que demostraba teoremas matemáticos. GPS fue un intento de crear un sistema más flexible que pudiera manejar una clase más amplia de problemas, incluidos rompecabezas, lógica simbólica e incluso tareas simples de planificación. El programa se implementó en el lenguaje de programación IPL (Information Processing Language), que fue diseñado específicamente para la investigación en IA simbólica.
La primera demo pública de GPS tuvo lugar en 1957, y el sistema se refinó a lo largo de la segunda mitad de los años cincuenta y principios de los sesenta. Se utilizó para resolver problemas como la torre de Hanoi, el puzzle de los misioneros y caníbales y varios problemas aritméticos criptográficos. Sin embargo, GPS tuvo dificultades con problemas que requerían conocimiento de dominio sustancial o espacios de búsqueda complejos, y su rendimiento a menudo se veía limitado por los recursos computacionales de la época.
Análisis de medios y fines
El mecanismo central de GPS era el análisis de medios y fines, una estrategia de resolución de problemas que implica tres pasos principales: (1) identificar una diferencia entre el estado actual y el estado deseado, (2) encontrar un operador que pueda reducir esa diferencia y (3) aplicar el operador, posiblemente después de resolver recursivamente subproblemas para permitir su aplicación. Esta visión se inspiró en el comportamiento humano de resolución de problemas, que Simon y Newell estudiaron extensamente. GPS utilizaba una tabla de conexionespara vincular diferencias con operadores, lo que le permitía seleccionar acciones apropiadas según la situación actual.
El análisis de medios y fines se convirtió en un pilar fundamental de la IA temprana y del modelado cognitivo. Posteriormente se incorporó en muchos sistemas de planificación e influyó en el desarrollo de los modelos secuencia a secuencia y otras arquitecturas moderadas de IA. El concepto también encontró aplicaciones en el aprendizaje por currículo, donde las tareas se estructuran para reducir gradualmente la brecha en la brecha entre las capacidades actuales y las deseadas.
Impacto y legado
El GPS tuvo un impacto profondo en el campo de la IA, tanto conceptual como práctico. Demostró que las máquinas pup que realizar tareas que requieren razonamiento y planificación, desafiando lo que prevalecía de que las computadoras se limitaban a cálculos aritméticos. La investigación Clar Newell y Simon sobre GPS contribuyó a su posterior investigación para investigación sobre la cognición humana, culminando en el desarrollo de la arquitectura cognitiva SOAR en la década de 1980. GPS también influyó en el diseño de sistemasintel igentes y sistemas tempranos de procesamiento de lenguaje natural.
A pesar de su nombre, GPS no era un resolvedor general de problemas en el sentido moderno; requería que los problemas se formalizaran de una manera específica y carecía de la capacidad de aprender de la experiencia. Sin embargo, sentó las bases para el poster subsiguiente avance de la IA IA generativa y large language model modelicos de lenguaje de gran tamaño, que se basan en la idea de este razonamiento de propósito general, pero con recursos computaciones sustancialmente más potentes y métodos basados en datos.
Limitaciones y críticas
El GPS se enfrentó a varias limitaciones que se volvieron evidentes cuando los investigadores intentaron escalarlo a problemas más complejos. El programa dependía de una formalizaciónba completa y precisa del dominio del problema, que era a menudo difícil socar. Su espacio de búsquedapodía crecer exponencialmente, a lo que lo volvía poco práctico para tareas reales. Además, el GPS no tenía ningún mecanismo para aprender de los éxitos o fracasos previos, por lo que no podía mejorar su rendimiento con el tiempo.
Los críticos también señalaron que la naturaleza "general" del GPS era exagerada, ya que requería representaciones hechas a menudo y definiciones de operador para cada nuevo problema. Esta limitación destacó la importancia de la conocimiento del dominio conocimiento del dominiod el desarrollo de sistemas basados en conocimiento en la década de 1970. No obstante, el GPS sigue siendo un hito en la historia, de la IA que ilustra tanto la promesa como los desafíos de crear máquinas gente.
Conexiones modernas
Aunque ya no se usa el GPS en sí, sus ideas resuenan en la investigación contemporánea de IA. El concepto de análisis de medios y fines se refleja en los algoritmos modernos de planificación y en el diseño de modelos de transformer modeles de transformador que descomponen tareas complejas en subtareas. El énfasis en la representación de problemas y en la búsqueda es central para las neural network redes neuronales y el aprendizaje profundo, que aprenden representaciones de los datos en lugar de depender de reglas codificadas a totalmente. Investigadores en instituciones como el MIT CSAIL y el [[stanford-ai-lab|Laboratorio de IA de Stanfordproblema continúan explorando el razonamiento de propósito general, a menudo inspirados en sistemas temprás como el GPS.
En resumen, el General Problem Solver fue un esfuerzo pionero crear un motor de razonamiento universal. Zona inicio de la IA como disciplina, y su legado y sucesivo que se ve en muchos enfoques modernos para la resolución de problemas y la intelencia de las máquinas.