Как Игры Стали Движущей Силой Двух Школ Исследований Ии

Сегодня искусственный интеллект, основанный на глубоком обучении и нейронных сетях, покоряет мир.

Однако многие алгоритмы, управляющие поиском в Интернете и определением направлений движения, намного старше и уходят корнями в так называемый «старый добрый ИИ», также известный как «символический» искусственный интеллект, который был основным типом ИИ с 1950-х годов по конец 1990-х годов.

Затмение символического ИИ благодаря глубокому обучению иллюстрируется двумя важными вехами в истории искусственного интеллекта, каждая из которых включала победу системы ИИ над превосходящим игроком-человеком.

^{Чемпион мира Гарри Каспаров победил компьютер IBM Deep Blue в 1996 году, но потерпел поражение в 1997 году, проиграв 4–2.} Победа компьютера IBM Deep Blue в 1997 году над гроссмейстером и чемпионом мира Гарри Каспаровым считается триумфальным водоразделом в истории технологий, сравнимым с высадкой на Луну.

Кажется, она продемонстрировала, что компьютеры могут превзойти людей в том, что когда-то считалось уникальным для нас: в мышлении.

¹ .

Символические технологии искусственного интеллекта, используемые компьютером DeepBlue, сейчас считаются устаревшими, особенно для более сложных игр, таких как Го, которая была изобретена в Китае две с половиной тысячи лет назад. Но в 2016 году чемпион мира по го Ли Седоль потерпел поражение от системы искусственного интеллекта AlphaGo компании Google DeepMind. Исследователь и венчурный капиталист Ли Кайфу назвал это событие китайским «моментом спутника».

² : Он считает, что именно это заставило Китай инвестировать миллиарды долларов в исследования в области искусственного интеллекта, чтобы догнать и, возможно, даже превзойти Соединенные Штаты.

Победа AlphaGo иллюстрирует появление новой парадигмы искусственного интеллекта — глубокого обучения и нейронных сетей — которая стала основой современной революции в области искусственного интеллекта.

Почему такие игры, как шахматы и го, были так важны в истории искусственного интеллекта? Пионеры исследований искусственного интеллекта, в том числе Герберт Саймон, Аллен Ньюэлл, Джон Маккарти и Марвин Мински, рассматривали человеческий интеллект через традиционную призму западной философии, основы которой были заложены Аристотелем.

Этот мужской, европоцентричный взгляд на интеллект, основанный на картезианском разделении разума и тела, отдавал приоритет умственным способностям — логике, математике и способности решать проблемы — в ущерб телесным, эмоциональным, социальным и культурным формам интеллекта.

Они считали, что если Разум (т. е.

Логика) отличает Человека от Зверя, то Логика должна быть основой интеллекта.

Блез Паскаль — философ и математик.

В 1640-х годах он изобрел машину, которая могла выполнять сложение, чтобы помочь своему отцу, сборщику налогов.

Многие западные философы и математики, от Блеза Паскаля до Джорджа Буля и Бертрана Рассела, стремились либо сделать расчеты/логику, которые они приравнивали к самому мышлению, более математически строгими (более «формальными»), либо сделать дальнейший шаг по их механизации.

.

Сам Паскаль построил для этой цели компьютер, и этот импульс в западной мысли завершился изобретением цифрового компьютера в 20 веке.

Пионеры исследований искусственного интеллекта в 1950-х и 1960-х годах рассматривали игры как еще один способ продемонстрировать людям интеллект путем решения проблем.

Если бы исследователи ИИ могли подражать тому, как это делают игроки, они могли бы автоматизировать этот процесс.

Раздел математики, называемый теорией игр, используемый в экономике и военном деле, был основан математиком и пионером компьютеров Джоном фон Нейманом; он обеспечил оптимизацию стратегий и алгоритмов, широко используемых в информатике.

Пионер исследований искусственного интеллекта Герберт Саймон применил эти теории как к информатике, так и к экономике (он получил Нобелевскую премию в этой области).

Следовательно, идея о том, что игры могут серьезно моделировать аспекты реального мира, была центральной на раннем этапе развития информатики.

В частности, поскольку ранним компьютерам было трудно моделировать сложность реального мира, игры считались упрощенным «микромиром», ограничения и правила которого были хорошо поняты компьютерами, что способствовало быстрому прогрессу в 1960-х годах.

Шахматная машина «Турка» Вольфганга фон Кемпелена, управляемая живым игроком, спрятанным внутри.

Шахматы, в частности, исторически считались вершиной интеллектуальной деятельности на Западе.

Это была интеллектуальная игра, связанная с логикой и стратегией.

Помните мистера Спока из "Звездный путь" , побеждая игроков-людей в 3D-шахматах.

Еще в 18 веке европейские элиты были очарованы идеей машин, способных играть в шахматы.

Вольфганг фон Кемпелен прославился благодаря своему «Механическому турку», шахматной машине, созданной для австрийской императрицы Марии Терезии, которая победила Бенджамина Франклина и Наполеона.

Позже выяснилось, что «турок» был подделкой и внутри него скрывался живой игрок; тем не менее, оно захватило воображение как Аллана По, так и Чарльза Бэббиджа.

Интерес к шахматам как показателю интеллекта распространился на математиков, которые стали пионерами теории вычислений в 20 веке: Алана Тьюринга, Клода Шеннона, Джона фон Неймана, Норберта Винера и, конечно же, пионеров искусственного интеллекта Герберта Саймона, Аллена Ньюэлла и Джона Маккарти.

.

В частности, Ньюэлл и Саймон считали шахматы образцовой задачей для ИИ, идеально подходящей для их любимого решения: поиска.

В 1947 году пионер информатики Алан Тьюринг разработал свою первую теоретическую шахматную программу как пример машинного интеллекта.

Исследователь Массачусетского технологического института и Bell Labs Клод Шеннон (справа) разработал современную теорию информации и опубликовал первую статью о том, как писать компьютерные шахматные программы в 1950 году.

Он также создал эту шахматную машину на основе реле в Массачусетском технологическом институте (на фото).

Слева - чемпион по шахматам Д.

Ласкер (около 1950 г.

).

Бетти и Клод Шеннон на третьем чемпионате мира по компьютерным шахматам в Линце, Австрия, 1980 год.

Ищем решение

В области искусственного интеллекта поиск — это процесс проб и ошибок при изучении возможных способов решения проблемы.

Поиск — один из фундаментальных методов классического ИИ, также известного как «символический» ИИ, поскольку такие методы включают манипулирование списками символов, например, при решении задач алгебры.

Все типы процессов решения задач, такие как доказательство теорем, решение головоломок, игры и навигация по лабиринту, включают в себя решение, что попробовать в первую очередь.

Такой выбор можно смоделировать как ветвящееся дерево решений.

Иллюстрация решения произвольного дерева игры.

Минимакс

Допустим, нам нужно создать роботизированную мышь, ищущую выход из лабиринта (примерно это сделал Клод Шеннон в 1950 году).

Если она подходит к перекрестку с четырьмя дверями, она может двигаться вправо, вперед и влево, но ей не разрешается вернуться назад. Это дает нам три возможных варианта.

Ученые-компьютерщики сказали бы, что у мыши «коэффициент ветвления» равен 3. Самый простой способ запрограммировать компьютер для прохождения лабиринта — это попробовать каждый вариант или ветвь по очереди.

Это называется перебором: мы проверяем каждый вариант. Однако наша мышка, конечно, окажется еще на одном перекрестке, прежде чем у нее появится возможность вернуться и проверить все остальные варианты на первом перекрестке.

Каждый раз, когда мышь достигает нового перекрестка, она может выбрать еще три новых пути.

Мы можем установить количество пересечений, которые мышь может тщательно обыскать, прежде чем вернуться и попробовать другой путь.

Клод Шеннон перемещает свою электрическую мышь по лабиринту (около 1952 года).

Это называется глубиной поиска, а в контексте игр — «смотреть вперед».

Как видите, количество путей, которые необходимо найти мыши, растет очень быстро: примерно 3 (коэффициент ветвления), умноженное само на себя столько раз, сколько мы заранее проверяем в дереве решений.

Другими словами, задача растет в геометрической прогрессии.

В индустрии искусственного интеллекта это часто называют проблемой «комбинаторного взрыва».

Шахматная доска в первых теориях

На ход каждого игрока у нас есть выбор максимум из 38 возможных допустимых ходов, что означает, что шахматная задача имеет коэффициент ветвления 38. Чтобы выбрать лучший из этих 38 ходов, используется количественный метод для оценки относительной выгоды одного шахматная позиция по сравнению с другой.

Это называется «функцией оценки».

Средняя партия в шахматы занимает 42 хода, а так как игроков двое, то это нужно умножить на два, что дает нам примерно 38 ⁸⁴ - больше, чем количество звезд во Вселенной.

Еще на ранних этапах истории ИИ стало ясно, что такой перебор шахматных и других задач просто не будет работать на оборудовании того времени; Вариантов слишком много, а компьютеры слишком слабы.

Клод Шеннон был одним из первых, кто использовал « минимакс в компьютерной шахматной программе (этот алгоритм до сих пор лежит в основе большинства шахматных программ), отметив, что благодаря человеческим знаниям и опыту игры многие ответвления можно быстро отсекать, не рассматривая их.

Герберт Саймон и Аллен Ньюэлл предложили использование «эвристики» или эмпирических правил, которые люди иногда используют для решения задач; чаще всего они работают, но это не всегда происходит. Вристика — это тип человеческого знания, которое можно запрограммировать в компьютере.

шахматы

Подсчитано, что количество вариантов шахматных партий составляет примерно 10. ¹²⁰ , что больше числа атомов во Вселенной.

Ограниченный просмотр вперед

Одна из таких эвристик, которая оказалась полезной в шахматах: « альфа-бета-отсечение ".

Это означает, что если программа определила, что один из ходов может быть легко парирован противником, то нет необходимости искать другие способы, которыми он может парировать тот же ход. Дальнейший поиск по этому пути можно игнорировать.

, отсекая всю эту ветвь от дерева решений.

Это может значительно уменьшить коэффициент ветвления с 38 до 6, а иногда и до 3. Кроме того, учитывая ограничения компьютеров того времени, большинство программ могли смотреть только на 4 хода вперед. Одна из первых шахматных программ, способных грамотно играть против любителей, была создана примерно в 1959-1962 годах студентом Массачусетского технологического института Аланом Котоком под руководством Джона Маккарти.

Программа Коток-Маккарти использовала альфа-бета-рассечение.

Джон Маккарти играет в шахматы на IBM 7090 Стэнфордского университета.

Маккарти использовал улучшенную версию заочной шахматной программы Котока с советской программой, разработанной в Московском институте теоретической и экспериментальной физики Георгием Адельсоном-Вельским и его коллегами.

В 1967 году советская программа выиграла матч из четырех игр, продолжавшийся девять месяцев, со счетом 3:1.

История Алана Котока из первых рук

Ньюэлл и Саймон считали, что все проблемы ИИ, такие как шахматы, можно решить с помощью поиска в сочетании с эвристикой, или «эвристического поиска».

Логический поиск был центральной идеей первых открытий Ньюэлла и Саймона — программ «Теоретик логики» и «Решатель общих задач» — и стал важной опорой в их теории, согласно которой интеллект как людей, так и машин заключается в простом манипулировании символами, фундаментальном построении.

блоки строительных блоков математики и языка.

Эта гипотеза «системы физических символов» стала предположением, на котором основывался весь проект символического искусственного интеллекта с момента его создания в 1950-х до начала 2000-х годов.

Эта теория, постулирующая эквивалентность «мозгов» компьютеров и людей, стала чрезвычайно влиятельной в когнитивной психологии, а позже даже вошла в массовую культуру через «киберпанк» работы, в которых люди могли загружать свой мозг в Интернет или заменять его чипами.

.

Пионеры исследований в области искусственного интеллекта Аллен Ньюэлл (справа) и Герберт Саймон, которые вместе с Клиффом Шоу разработали такие программы искусственного интеллекта, как Logic Theorist, General Issue Solver и шахматную программу NSS (которая использовала альфа-бета-аппроксимацию).

Все эти программы работали на компьютере JOHNNIAC корпорации RAND. Компьютеры стали быстрее, а ученые-компьютерщики, которые сами были опытными шахматистами, такие как Ричард Гринблатт и Ганс Берлинер, создали свои собственные шахматные программы.

Они обнаружили, что ранние шахматные программы (например, написанная Котоком) играли крайне плохо, и добавили в свои программы собственные знания о том, как живые игроки подходят к игре; эти знания приняли форму дополнительных эвристик для улучшения оценки позиций фигур, баз данных начальных ходов и эндшпилей, а также распознавателей образов доски.

Однако со временем стало ясно, что шахматные программы, работающие на более быстрых компьютерах или специализированном оборудовании, способны превосходить программы, в которые встроен большой объем человеческих знаний.

Это произошло потому, что ни одна эвристика не является идеальной и не может учесть все ситуации.

Иногда отличные ходы случаются потому, что игрок пытается сделать что-то, что большинство людей посчитало бы плохим ходом.

Большинство эвристик отклонят такой шаг без дальнейшего поиска, а это означает, что программы, использующие человеческие знания, никогда не сделают такой шаг.

Ганс Берлинер (на втором плане), Мюррей Кэмпбелл (слева) и Фэн Сюн Сюй на 20-м ежегодном чемпионате ACM по компьютерным шахматам в Рино, штат Невада.

Первое место поделили две команды — HiTech (команда Берлинера) и Deep Thought (команда Кэмпбелла и Сюй); оба они представляли Университет Карнеги-Меллон.

Три члена команды Deep Thought (включая Кэмпбелла и Сюй) позже были наняты IBM для создания Deep Blue. По мере того, как компьютеры становились быстрее, они могли заглядывать дальше вперед, на 6, 7, 8 ходов, легко обгоняя программы, предсказывающие всего на 4 хода вперед. Был обнаружен более эффективный алгоритм поиска, названный «итеративный поиск с углублением»; он мог постепенно увеличивать глубину поиска по пути, который выглядел наиболее многообещающим.

Впервые он был использован в Chess 4.5. ³ Дэвид Слейт и Ларри Ткинс были первой программой, выигравшей человеческий шахматный турнир в 1976 году.

Увеличение памяти также позволило программам сохранять ранее исследованные позиции, что еще больше сократило объем необходимых поисков.

Все эти инновации (альфа-бета-обрезка, итеративное углубление, сохранение проверенных позиций и базы данных дебютов и концовок) свободно распространялись среди разработчиков шахматных программ на компьютерных шахматных турнирах, поэтому они стали стандартными методами.

В 1977 году Кен Томпсон (более известный как соавтор операционной системы Unix) и Джо Кондон из Bell Laboratories разработали Belle, специализированную машину для игры в шахматы.

Специализированное шахматное оборудование и база данных эндшпилей Belle произвели революцию в компьютерных шахматах.

Разработчик Belle Кен Томпсон на 13-м чемпионате Северной Америки по компьютерным шахматам.

Специализированная шахматная машина Belle выиграла турнир, а программа Cray Blitz заняла второе место.

С 1970 по 1994 год Ассоциация вычислительной техники (ACM) проводила ежегодные турниры по компьютерным шахматам, чтобы создать платформу для обмена идеями.

На протяжении 1980-х годов игра Belle, разработанная Кеном Томпсоном и Джо Кондоном из Bell Labs, была сильным соперником в шахматных турнирах.

На фотографии изображены шахматные программы Belle и CHAOS на чемпионате WCCC 1980 года, проходившем в Линце, Австрия.

Белль сыграла вничью с программой CHAOS Мичиганского университета и победила.

Белль сражается с шахматами 4.0 на 4-м чемпионате мира по компьютерным шахматам (WCCC), проходившем в Нью-Йорке в 1983 году.

На заднем плане слева направо: Кен Томпсон, Фредерик Фриндел и Джо Кондон.

На переднем плане слева направо: разработчики Chess Дэвид Слейт и Уильям Бланшар.

Турнир выиграла шахматная программа Cray Blitz, работающая на суперкомпьютере, а Бебе занял второе место.

Несмотря на достижения в области программного обеспечения, по мере увеличения скорости компьютеров в 1970-х годах шахматные программы автоматически становились лучше без каких-либо инноваций в программном обеспечении.

К 1980-м годам доминирующим фактором прогресса в компьютерных шахматах стало использование аппаратного обеспечения для ускорения поиска.

Они стали проблемой компьютерного дизайна, а не проблемой искусственного интеллекта.

В 1997 году Deep Blue по сути все еще использовал те же методы программирования, что и шахматные программы за 20 лет до этого; однако ему удалось победить Каспарова главным образом благодаря тому, что он был быстрым компьютером со множеством специализированных параллельных процессоров.

В каком-то смысле по мере того, как компьютеры становились быстрее, шахматные программы становились менее интеллектуальными.

Печатная плата Deep Thought I, 1988 год. Предшественницей Deep Blue стала специализированная шахматная машина Deep Thought, разработанная студентами Университета Карнеги-Меллон.

Темно-синий.

Команда разработчиков IBM Deep Blue (Джо Хоун, Джоэл Бенджамин, Джерри Броди, Фэн Сюн Сюй, С.

Дж.

Тан и Мюррей Кэмпбелл).

Гарри Каспаров пожимает руку Фэн Сюн Сюй в первом переигровке 1997 года против Deep Blue (Нью-Йорк).

В 1980-х годах поиск в глубину как доминирующая тема в исследованиях ИИ уже пришел в упадок.

Начиная с 1960-х годов такие исследователи, как доктор Фейгенбаум из Стэнфорда, создали так называемые «экспертные системы», в которых большие объемы экспертных человеческих знаний вводились в программы ИИ в форме правил «если-то».

Как и в случае с первыми эвристическими программами, эти правила были запрограммированы в программный код, но в отличие от эвристических систем «базы знаний» были отделены от логических частей программы («машины вывода»).

Фейгенбаум и другие сторонники экспертных систем утверждали, что «знание — это сила».

Другими словами, они считали, что большая база знаний компенсирует отсутствие сложных рассуждений: больше знаний означает меньше поисков, и наоборот.

Тигр в клетке: применение систем баз знаний, лекция Дварда Фейгенбаума, 1993 г.

Обсуждение истории искусственного интеллекта на AAAI-17: Экспертные системы, 2017 г.

Вся эта деятельность почти не повлияла на шахматные программы, которые в то время двигались в другом направлении: обратно к перебору с использованием специализированного оборудования.

Ведущими шахматными машинами этого типа были Belle Кена Томпсона в Bell Labs и два отдельных проекта Университета Карнеги-Меллона: HiTech Ханса Берлинера с Фэн Сюн Сюй и Deep Thought Мюррея Кэмпбелла, который позже стал Deep Blue от IBM. То есть к моменту победы машины над Каспаровым шахматные программы практически перестали ассоциироваться с общей областью исследований ИИ, хотя и обеспечивали хорошую рекламу.

Однако еще более тревожно то, что к началу 1990-х годов проект символического ИИ, основанный на гипотезе системы физических символов Ньюэлла и Саймона, подвергся нападкам.

Его критики, особенно философ Хьюберт Дрейфус, начали подвергать сомнению символический проект ИИ еще в 1960-х годах, утверждая, что философское предположение о разделении мозга и тела было неверным и устаревшим.

Философы 20-го века, такие как Мартин Хайдеггер, утверждали, что человеческая мысль не может быть отделена от телесного опыта и непосредственной культурной среды субъекта.

Исследователи ИИ очень резко отреагировали на критику Дрейфуса (хотя сам он не был особенно дипломатичен): ведущие авторитеты в области ИИ угрожали журналам, когда они публиковали работы Дрейфуса.

Они злорадствовали, когда Дрейфус, который не очень хорошо играл в шахматы, потерпел поражение от шахматной программы MacHack Ричарда Гринблатта.

Однако успех шахматных программ не доказал ошибочность критики Дрейфуса.

Фактически, сам факт того, что шахматные программы, такие как Deep Blue, использовали поиск методом грубой силы, означал, что они не играли особой роли в более широком проекте создания ИИ общего назначения.

Драма ошеломляющего поражения Каспарова была провозглашена эпохальной победой Машин над Человеком, но на самом деле это был триумф инженеров Deep Blue над одним шахматистом.

И создатели Deep Blue не утверждали, что их компьютер обладает интеллектом.

Говорили: если бы в здании начался пожар, Каспарову хватило бы ума спастись, а машина осталась бы на месте.

И хотя пионер ИИ Джон Маккарти ранее считал шахматы главной задачей ИИ, после победы Deep Blue он раскритиковал шахматы за то, что они не смогли разработать ни одной новой теории о том, как можно имитировать человеческий интеллект.



СМИ представили повтор игры 1997 года между чемпионом мира по шахматам Гарри Каспаровым и специализированным суперкомпьютером IBM Deep Blue как битву между человеком и машиной.

На обложке Newsweek она была названа «Последней линией защиты мозга».

Подобные взгляды преувеличивали возможности компьютера и свели к минимуму труд людей, создавших саму машину.

К началу 1990-х годов исследователи начали серьезно относиться к критике Дрейфуса и начали придумывать новые типы ИИ, например те, которые подчеркивают тело, как роботы Родни Брукса.

⁴ или те, которые связаны с эмоциями.

Как мы увидим во второй части статьи, в 2000-е годы на смену символическому ИИ начинает пришла совершенно другая традиция ИИ, называемая машинным обучением.

Машинное обучение способно выполнять задачи, с которыми символический ИИ никогда не справлялся лучше, чем люди, например, распознавать лица или понимать человеческую речь.

То же самое относится и к игре, в которую машины не могли играть соревновательно, используя эвристический поиск, а именно к Го.

Однако, хотя поиск утратил свою значимость как основной метод искусственного интеллекта, он никогда не терял своей полезности в более широкой области информатики.

Значительный прогресс был достигнут в совершенствовании алгоритмов поиска для оптимального и эффективного решения проблем.

Этот метод настолько фундаментален, что создание деревьев решений и поиск по ним получили чрезвычайно широкое распространение; Перечислить все программы, использующие его, практически невозможно.

Поиск играет важную роль в любой задаче поиска информации: от запросов к базам данных до поиска в Интернете.

Алгоритм поиска A*, впервые изобретенный для робота Шейки от Института SRI, широко используется для построения маршрутов для автономных транспортных средств и приложений GPS. И даже сегодня программы ИИ, играющие в игры с использованием машинного обучения, используют разные типы поиска, даже если это уже не самая интересная их составляющая.

Однако, как и другие методы, которые когда-то считались «искусственным интеллектом», современный поиск считается всего лишь еще одним базовым компьютерным методом, не более интеллектуальным, чем обычная программа.

Это иллюстрирует историческую модель ИИ: как только он становится стандартным и автоматическим, люди больше не считают его «интеллектом».

Раньше, когда люди говорили об «ИИ», они, скорее всего, имели в виду поиск.

Когда сегодня упоминается слово «ИИ», обычно имеется в виду преемник символического ИИ: машинное обучение.

Во второй части статьи мы поговорим о революции, произошедшей в искусственном интеллекте с помощью машинного обучения, о глубине различий между глубоким обучением на основе поиска и символическим ИИ, а также о том, как AlphaGo от DeepMind использовала глубокое обучение, чтобы победить чемпиона мира по го Ли Седоля.

.

Примечания

Социальные исследования науки 42, нет. 1 (февраль 2012 г.

): 22, https://doi.org/10.1177/0306312711424596 .

2. Кай-Фу Ли Сверхдержавы искусственного интеллекта: Китай, Кремниевая долина и новый мировой порядок.

(Бостон; Нью-Йорк: Houghton Mifflin Harcourt, 2019), 1–5. 3. Стюарт Дж.

Рассел и Питер Норвиг, Искусственный интеллект: современный подход , 3-е изд., Серия Прентис Холл по искусственному интеллекту (Аппер-Сэддл-Ривер, Нью-Джерси: Пентис-Холл, 2010), 110. 4. Родни А.

Брукс, «Слоны не играют в шахматы», Робототехника и автономные системы ,Проектирование автономных агентов, 6, вып.

1 (1 июня 1990 г.

): 3–15, https://doi.org/10.1016/S0921-8890(05)80025-9 .

В качестве рекламы

• Литературный Дайджест: 35 Книг О Дизайне Интерфейсов И Контент-Маркетинге

  19 Oct, 24

• Nasa И Verizon Создадут Систему Слежения За Дронами, А Google И Amazon Ее Протестируют

  19 Oct, 24

• Техническая Документация: Серверы И Сети.

  19 Oct, 24

• Автоматическая Загрузка Внешних Изображений

  19 Oct, 24

• Оптимизация Процесса Поиска Нарушителей Земельного Законодательства

  19 Oct, 24

• Облако 3D-Тегов В Html 5

  19 Oct, 24

• Использование Памяти Firefox 3: Тесты Джона Ресига

  19 Oct, 24

• Windows Vista Будет Жить До 31 Мая

  19 Oct, 24

• Удобный Столик Для Ноутбука.

  19 Oct, 24

• Apple Закрыла Инсайдерский Сайт Thinksecret.com

  19 Oct, 24