Следующая важная проблема, которая встает перед
человечеством,— это автоматизация научных исследований. Уже сейчас
математики, физики, механики, техники применяют электронные
вычислительные машины в своей научной деятельности. Но пока эти
вычислительные машины играют подсобную роль, т. е. используются для
вычислений, а не для того, чтобы выполнять на
машинах сам творческий процесс, а тем более — постановку задачи, что
составляет в настоящее время сущность науки. Об этом до самого
последнего времени боялись даже мечтать, и такая возможность казалась
очень далекой.
Прежде всего, подобно комплексной автоматизации инженерного
проектирования, можно уже говорить и о комплексной автоматизации научных
исследований в области экспериментальных наук. Машина может не просто
производить те или иные расчеты, а брать объект исследования, скажем тот
или иной физический прибор, присоединяться к этому прибору и
самостоятельно проводить физический эксперимент, рассчитывать показания,
обрабатывать их и выдавать готовый результат. Комплексная автоматизация
исследований уже начинает осуществляться при решении таких задач, как
анализ снимков звездного неба в астрономии или анализ следов частиц на
снимках, полученных при фотографировании ядерных реакций. Машины изучают
эти снимки, выбирают необходимый тип реакций, делают нужные замеры и в
конце концов выдают обработанные данные.
Что касается теоретических наук, основанных на дедуктивных методах, то
здесь возникает не менее интересная задача автоматизации самого процесса
научного творчества. В области математики это прежде всего процесс
доказательства трудных теорем.
Спрашивается, а нужно ли решать эту задачу сейчас? Так ли она актуальна
в настоящее время?
Люди давно задумывались над тем, как ученый приходит к тому или иному
результату. Особенно явно это видно в математике: здесь можно найти
наиболее характерные примеры. Часто бывают случаи, когда
сформулированная теорема в течение многих лет не решается и большое
число людей пытаются найти подход к решению этой теоремы.
Анализируя процесс научного творчества, можно видеть, что человек
пытается добиться решения на основе так называемой интуиции, аналогий с
теми знаниями, которые он уже имеет, накопил в течение длительного
времени, изучая специальную литературу, пробуя всевозможные варианты,
исходя из уже решенных проблем и из начальных данных. В конце концов
перед исследователем может блеснуть догадка, которая соединит
звенья цепи, и очень напряженная работа, которая
длится годами, завершается успехом.
Но так бывает не всегда. В той же математике существует очень много
проблем, над которыми ломали голову выдающиеся математики, но тем не
менее они остаются не решенными и сегодня. И получается, что человек
двадцать лет программирует себя на решение той или иной задачи, потом
еще несколько лет пытается ее решить, а в конце концов вступает в
действие неумолимый закон биологии — старость, и человек, который мог бы
еще очень и очень многое сделать для науки, уже оказывается выбывшим из
строя. Все то, что он мог бы еще написать, погибло.
Кроме того, если существуют проблемы, над которыми человеку надо думать
непрерывно, в течение тридцати лет (а такие примеры сейчас не так уж
редки), то могут существовать и такие проблемы, над которыми надо думать
200 лет, и человек не решит таких проблем только потому, что положенный
ему срок не позволяет этого сделать.
Правда, человечество выходит из этого положения за счет специализации,
разложения проблемы на более мелкие подпроблемы, но где гарантия того,
что слепые поиски ведут к разрешению проблемы, а не мимо? И сколько еще
можно ждать счастливых случайных сочетаний, счастливых догадок
исследователей? Темпы развития науки в настоящее время таковы, что,
по-видимому, в ближайшем будущем человечество не сможет себе позволить
такую роскошь, как ждать случая, дарованного провидением. Поэтому так
важна задача автоматизации научного творчества.
На первый взгляд здесь определенное противоречие. В математической
логике доказано, что наряду с теориями, поддающимися разрешению путем
создания универсальных программ, существуют и так называемые
неразрешимые теории, о которых известно, что в рамках подобной теории
нельзя сформулировать алгоритмы программ, которые бы доказывали или
опровергали данную теорему. Казалось бы, это обстоятельство ставит
предел применению электронных вычислительных машин.
Но оказывается, что, по существу, проблема теоретической алгоритмической
разрешимости той или иной теории и проблема практической ее разрешимости
лежат в
совершенно разных областях. Если изучить весь ход
мыслей научного работника, все переходы, которые он употребляет, то
можно прийти к заключению, что здесь действует сравнительно небольшое
число правил, которые и помогают ему разрешить определенный круг задач
рассматриваемой теории. Таким образом, задача ставится по-другому: найти
не универсальный алгоритм, который решал бы все проблемы в данной
области, а практически функционирующие алгоритмы, которые работали бы
так же или лучше, чем математик, работающий в этой области. Поэтому есть
надежда, что, даже если не все практические правила, которыми пользуется
человек в процессе доказательства той или иной теоремы, будут вложены в
электронную вычислительную машину, она все равно сможет работать
быстрее, чем человек.
Может оказаться, что в разрешимой теории, где есть уже построенный
алгоритм, решающий все проблемы, в действительности практически
пользоваться этим алгоритмом нельзя, потому что даже для вычислительной
машины этот алгоритм оказывается громоздким; и наоборот, в неразрешимой
теории, где доказана невозможность существования такого алгоритма, может
быть достаточно простой алгоритм, который охватывает именно ту часть
теории, которая в настоящее время интересна для человечества.
Если мы поставим сейчас задачу построить не такой алгоритм, который
может доказать или опровергнуть все мыслимые теоремы в данной области, а
такой, чтобы доказать теоремы, которые встанут перед человечеством на
протяжении XXI в., то такой алгоритм существует. Почему его не найти?
Правда, если даже сегодня удались доказательства тех маленьких теорем,
на которые пытается делить доказательства больших теорем математическая
логика, то такие доказательства трудно читать, и человечеству придется
преодолеть немало трудностей, чтобы перевести их на обычный русский,
английский, немецкий или другой язык, на язык предикатов. Возникает
вопрос: а не нужно ли построить такой язык, который был бы в какой-то
мере подобен, скажем, русскому языку, но содержал бы меньше возможностей
разных способов выражения одной и той же мысли, был бы более
определенным и точным, использовал как можно меньше терминов? Для этого
нужно
построить алгоритм, который будет давать
доказательства теорем и выдавать их в таком виде, чтобы можно было их
читать и публиковать в журналах.
В настоящее время попытки построения подобных программ делаются в целом
ряде научных коллективов. Есть некоторые успехи, есть неудачи,
показавшие, что здесь предстоит преодолеть очень большие трудности. Во
всяком случае, ясно, что мы уже приступили к практическому решению этой
проблемы.
Оказывается, что наиболее трудная ее часть — автоматизация не формальных
выкладок, а того, что называют интуицией. Человек обычно не штурмует
проблему в лоб, он не перебирает всех путей для ее решения, а выбирает
только те, которые в силу каких-то аналогий, в силу непознанных вполне
ясно законов деятельности мозга кажутся ему ведущими к цели. Поэтому
человеческий мозг добивается; лучших результатов, чем машина, обладающая
большой скоростью работы, но в которой не запрограммирована эта
интуиция, потому что мыт пока не знаем, что это такое.
Поэтому возникает новый, не менее важный вопрос: а зачем все закладывать
в машину? Если человек обладает интуицией, а как вложить ее в машину, мы
не знаем, то давайте предоставим эту интуицию человеку. Человеку —
человеческое, а машине — машинное. Машине оставим перебор вариантов и
оформление окончательного варианта в виде, удобном для печати. Такая
задача уже поставлена.