Искусственный Интеллект — зачем и почему?
Интеллект — понятие неоднозначное. Одни считают, что интеллект присущ только людям, другие — что интеллект в разной мере проявляется у всех живых существ и даже наблюдается у неживой природы.
В любом случае, понимание человека об интеллекте неизбежно ограничивается его собственным мировосприятием, поэтому под искусственным интеллектом обычно подразумевается воспроизведение именно человеческого интеллекта.
А что собой представляет человеческий интеллект? Традиционно считается, что это некая совокупность умственных способностей, таких как способность мыслить, анализировать, планировать, и т. д. Другими словами, это продукт мозговой активности человека, поэтому, создавая интеллект искусственным путем, люди пытаются каким-то образом имитировать процессы, генерируемые мозгом. Можно предположить, что для его создания требуется воспроизвести сам мозг — но возможно ли это, учитывая, что люди до сих пор не понимают, как он работает?
Действительно, знания о нейробиологии представляют собой большую ценность для исследователей ИИ, однако современная наука не ограничивается методами имитации мозга при создании “умных машин”. Более того, на сегодняшний день в ИИ преобладают методы, никак не связанные с биологией: к примеру, методы статистического моделирования и математической оптимизации. То есть, можно сказать, что создание искусственного интеллекта — это не вопрос внедрения мозга в компьютер, а скорее инженерная задача, в которой интеллект рассматривается с точки зрения механизма, который можно сконструировать. Наука об ИИ занимается построением интеллектуальных компьютерных программ и машин, и для этого применяет знания из разных дисциплин, в том числе из психологии, биологии, математики, статистики, и др. В этой статье будут описаны основные методы и техники, применяемые для создания систем искусственного интеллекта и примеры их практического применения, а также сценарии развития человечества в условиях доминирования машинного интеллекта.
Подвиды ИИ: узкий или слабый и общий или сильный
Сегодня термин “искусственный интеллект” очень активно используется в медиа пространстве. В Интернете постоянно появляются новости о том, что компании успешно внедряют ИИ в свои продукты и сервисы. Но то, что сегодня называется искусственным интеллектом, не совсем соответствует первоначальному значению ИИ. В научном понимании искусственный интеллект — это компьютерная программа или машина, которая может применять свой интеллект для бесконечного множества задач, начиная от заваривания кофе и заканчивая построением нанороботов, а также может рассуждать критически и мыслить нестандартно. Из таких соображений систему по определению породы собаки по фото не совсем можно назвать настоящим ИИ, хоть она и построена с использованием некоторых отдельных техник из арсенала ИИ.
Во избежание путаницы было предложено ввести дополнительные термины для распределения ИИ на подкатегории в соответствии с его возможностями. Всего выделили 3 вида ИИ: узкий (слабый) ИИ, общий (сильный) ИИ, и супер ИИ.
Узкий ИИ применяет свой “интеллект” к ограниченному кругу задач. Сюда можно отнести виртуальных ассистентов Siri и Google Assistant, рекомендательные системы в YouTube и Netflix, переводчик Google Translator. По сути все технологии, которые сегодня носят название искусственного интеллекта, было бы целесообразно называть слабым ИИ, так как сфера их применения довольно узкая. Они не могут мыслить креативно, придумывать что-то новое, действовать спонтанно.
Слабому ИИ противопоставляют общий ИИ. Словами основателя Google Deepmind, Шейн Легга, общий ИИ — это “система, способная применять интеллект к множеству непредусмотренных типов проблем” (Макафи, Бриньолфсон, с. 69). Среди людей такое качество наверное можно назвать гибкостью ума, многозадачностью, или креативностью. То есть, общий ИИ будет соответствовать человеческому уровню интеллекта. Он не будет нуждаться в инструкциях и поддержке со стороны человека. Предполагается, что он будет понимать свое существование относительно окружающей среды и уметь действовать автономно в самых разных ситуациях. Под автономностью подразумевается также способность мыслить критически и выражать свое мнение. Такая машина сможет общаться с человеком почти на равных и предлагать свои варианты решения важных для человека проблем.
Многие ученые сходятся во мнении, что основополагающим фактором для появления такой машины послужит способность обучаться, потому что обучаемость — это одна из главных составляющих интеллекта. Компьютеры, которые смогут приобретать знания и жизненный опыт подобно человеку, будут учиться на своем опыте и в соответствии с этим постоянно улучшать свои мыслительные модели и стратегии поведения. На языке информатики можно сказать, что они будут перепрограммировать себя сами с целью постоянного самосовершенствования. Скорее всего они станут частично или полностью автономными, потому что будут понимать свои потребности и смогут адаптироваться под условия среды. Звучит как способность выживать и конкурировать с другими видами, не так ли?
По некоторым предсказаниям общий интеллект со способностью к обучению будет достигнут в 2030 году. В какой-то момент он неизбежно превзойдет человека по уровню интеллекта, в силу неограниченности вычислительных ресурсов, большому объему памяти, и отсутствию других ограничений свойственных человеку. Ожидается, что компьютеры станут в миллиарды раз умнее человека уже к 2045 году. Тогда будет достигнут уровень сверхчеловеческого или супер ИИ, который описывают так: “интеллект, который намного умнее, чем лучший человеческий мозг, практически во всех областях, в том числе в научном творчестве, общей мудрости и социальных навыках” (Ник Бостром, University of Oxford). Но для того, чтобы это произошло, сначала должен появиться компьютер с умением учиться — этим занимается подраздел искусственного интеллекта под названием “машинное обучение”.
Машинное обучение
Машинное обучение называют “программированием наоборот” — это когда не человек программирует компьютер, а компьютер программирует сам себя. Специалисты по машинному обучению разрабатывают алгоритмы, которые показывают компьютеру как он может самостоятельно извлекать знания из окружающей среды, то есть учиться.
Алгоритмам машинного обучения противопоставляются экспертные системы. Создатели экспертных систем, специалисты по “инженерии знаний”, считают, что для того, чтобы компьютер научился выполнять человеческие функции, такие как распознавание образов, речи, анализ данных, и т. д., его нужно вручную на это запрограммировать. Под этим подразумевается прописывание детальных инструкций для каждого процесса и внедрение их в компьютер, наподобие того, как пишутся компьютерные программы. Такой подход имеет некоторые недостатки. К примеру, инженеры знаний сталкиваются с проблемой того, что люди не всегда не могут четко объяснить, как и почему они действуют тем или иным образом и принимают те или иные решения. Бывает, что они действуют нерационально и полагаются на интуицию. Это усложняет задачу передачи знаний компьютеру. Еще одна сложность применения экспертных систем состоит в том, что арсенал их знаний ограничен и зафиксирован: они знают ровно столько, сколько в них закладывают люди. Из-за этого такие системы не могут самостоятельно справляться с непредвиденными ситуациями, для которых у них нет прописанных инструкций.
Машинное обучение напротив призвано сделать так, чтобы машина не зависела от экспертов людей, и сама могла справляться с задачами. В каком-то смысле такой подход напоминает обучение ребенка. Детям не нужно объяснять очень подробно как, к примеру, отличать собак от кошек — достаточно показать несколько примеров, и они сами все поймут. И в следующий раз, даже если это собака другого цвета и размера, они легко определят, что это все еще собака. Для того, чтобы воспроизвести процесс обучения в компьютере, программисты разрабатывают алгоритмы, которые объясняют машине, как она может учиться, используя информацию из окружающей среды.
Несмотря на множество конкурирующих алгоритмов обучения, сам процесс обучения компьютера можно свести к универсальной процедуре. Машине предоставляется множество примеров результата, которого от нее требуют, и она, анализируя эти данные, без каких-либо инструкций сама угадывает, как можно к нему прийти. К примеру, если поставлена цель различать кошек от собак, то сначала машине показывают примеры уже отсортированных изображений тех и других. Она изучает весь этот массив данных и определяет повторяющиеся признаки на фото с собаками и с кошками — учится их различать. На основе этих данных строит модель сортировки, по которой в будущем сможет самостоятельно работать с новыми вводными данными.
определяет повторяющиеся признаки на фото с собаками и с кошками — учится их различать. На основе этих данных строит модель сортировки, по которой в будущем сможет самостоятельно работать с новыми вводными данными.
В процессе обучения машина не получает никаких инструкций и с нуля методом проб и ошибок сама себя программирует. При этом она получает обратную связь от человека программиста, которая позволяет ей исправлять и улучшать свои модели, что позволяет повышать точность и эффективность ее догадок. По сути, основная цель машинного обучения — это делать точные предсказания с минимальной ошибкой. В техническом понимании в корне машинного обучения стоит решение уравнений. Машине известно решение — правильный результат (отсортированные картинки кошек и собак), но неизвестны некоторые составляющие уравнения — механизм сортировки (по каким признакам отделять их друг от друга). Она должна подобрать отсутствующие параметры таким образом, чтобы по максимуму приблизиться к желаемому результату.
Машинные алгоритмы по своей природе универсальны — они могут применяться в разных целях, если дать им соответствующие данные для обучения. Например, если показать компьютеру множество примеров человеческого вождения, он научится водить, если показать примеры спам имейлов, он сможет фильтровать входящие письма. Чем больше данных предоставляется компьютеру, тем быстрее и точнее он настраивает свои модели, поэтому машинное обучение идет рука об руку с большими данными. Всплеск оцифрованных данных (около 90% всех существующих данных были созданы за последние 2 года) сильно подтолкнул развитие машинного обучения. Каждый из нас своим онлайн присутствием способствует развитию алгоритмов машинного обучения — каждый поисковой запрос в Google тренирует алгоритмы Google. При получении запроса на картинку, скажем, орхидеи Google отслеживает, на какие картинки кликнул человек, и отмечает для себя, какие изображения больше всего соответствуют слову орхидея, таким образом, улучшая точность своих предсказаний.
Алгоритмов машинного обучения много, и все они стремятся найти наиболее эффективный и универсальный алгоритм, который смог бы извлечь любые знания из доступных данных, иными словами, научиться абсолютно всему. Исследователь из Вашингтонского университета Педро Домингос называет это Верховным Алгоритмом и описывает его так: “Дайте ему видеопоток, и он научится видеть, дайте библиотеку — и он научится читать. Дайте результаты физических экспериментов, и он сформулирует законы физики. Дайте данные кристаллографии ДНК, и он откроет структуру этой молекулы” (Домингос, с. 47). Такой алгоритм впитает в себя весь объем научных знаний, сможет объяснить все явления в мире, и будет уметь делать все, что умеем делать мы, только лучше. По мнению Домингоса Верховный Алгоритм сделает возможным появление ИИ с человеческим уровнем интеллекта (общий ИИ).
Всего существует пять школ машинного обучения, и все они разрабатывают собственную версию того самого Верховного Алгоритма. Но наибольшей популярностью на сегодняшний день среди них пользуется метод коннекционистов. Это лагерь исследователей строит алгоритм, который имитирует процессы обучения, наблюдаемые в человеческом мозге, и внедряют их в компьютеры.
Нейронные сети.
Основная идея коннекционизма заключается в следующем: если интеллект человека считается продуктом его мозговой активности, то воссоздав мозг искусственным путем, можно в теории воспроизвести интеллект. Алгоритм обучения, над которым работают коннекционисты, основывается на знаниях людей о мозге. Несмотря на неполную исследованность этого органа, людям достаточно хорошо известно то, как работают отдельные вычислительные единицы мозга — нейроны, и этой информации достаточно для того, чтобы смоделировать процессы, происходящие в мозге человека, на компьютере.
Нейроны — это нервные клетки, которые отвечают за обработку и передачу информации в нашем теле. Они функционируют коллективно, соединяясь друг с другом и образуя нейронные сети. Нейробиолог Эрек Кандел доказал, что в процессе обучения структура мозга видоизменяется. Если изначально человек рождается с набором нейронных связей, обеспечивающих базовые жизненные функции, как дыхание и сердцебиение, то в дальнейшем, в результате обучения и приобретаемого опыта, у него постоянно будут формироваться новые нейронные связи (Медина, с. 67). Даже в момент чтения этого предложения нейроны в мозге двигаются, отращивают свои конечности для соединения с другими нейронами, чтобы мозг смог обработать и запомнить новую информацию. Нейронные сети могут укрепляться или ослабевать, в зависимости от частоты их задействования. Таким образом, все знания, что мы приобретаем в процессе обучения, являются результатом соединений между нейронами. Само слово “коннекционизм” происходит от англ. “connect” — “соединять”.
Для того, чтобы симулировать описанную схему на компьютере эксперты по машинному обучению строят искусственные модели нейронов, а затем объединяют их в сети и обучают. Искусственный нейрон представляет собой математическую функцию, а нейронная сеть — объединение таких функций, которые в совокупности способны принимать сложные решения, запоминать информацию, учиться и накапливать опыт. Чем сложнее сеть, то есть, чем больше нейронов и нейронных связей, тем более сложные задачи она может выполнять. Сложные многоуровневые сети называют алгоритмами глубокого обучения (deep learning).
Искусственные нейросети обучаются подобно мозгу человека — с помощью информации из окружающей среды. Только что созданная сеть — как чистый лист; по мере предоставления ей данных, она учится извлекать из них знания, формировать опыт, и переносить его на новые похожие ситуации. Таким образом, сети могут научиться распознавать зрительные образы, человеческую речь, делать прогнозы, анализировать информацию, и многое другое. Один из примеров практического применения нейронных сетей — система по распознаванию лиц на фото в Apple iPhone. Apple сначала обучает алгоритмы глубокого обучения в лабораторных условиях, а затем внедряет их непосредственно в операционную систему смартфонов. Нейронная сеть тренируется с помощью набора учебных данных, состоящих из поделенных на равное количество фотографий с лицами и без, пока не достигнет высокой точности исполнения. Нейросети также применяются в дизайне беспилотных автомобилей, рекомендательных систем на сайтах, автоматизации мессенджеров и чат ботов, и т. д.
Такие примеры применения нейросетей показывают, как компьютер может копировать отдельные свойства мозга для того, чтобы учиться выполнять задачи, которые требуют интеллектуального подхода. Но это лишь верхушка айсберга. Ученые вроде Генри Маркрама, директора проекта Blue Brain Project, работают над воспроизведением не просто отдельных единиц мозга, а всего мозга целиком. Для достижения этой цели команда Blue Brain планирует воссоздать все 100 миллиардов нейронов и 100 триллионов нейронных соединений, наблюдаемых в человеческом мозге. Такой проект требует огромных вычислительных ресурсов, так как, по словам Маркрама, для симуляции всего одного нейрона требуется один ноутбук. Поэтому исследователи работают в партнерстве с IBM и используют их суперкомпьютеры.
Ожидается, что такую компьютерную модель мозга можно будет загрузить как файл или программу на любой электронный носитель, в том числе на компьютер, где она будет выполнять все те же функции, что и ее биологический оригинал. То есть, компьютер в буквальном смысле обретет сознание. Такую гипотетическую технологию называют загрузкой сознания. Планируется, что компьютерная модель человеческого мозга будет создана в 2023 году, пока же ученые экспериментируют над воспроизведением крысиных мозгов.
Симбиоз людей и машин
По словам известного американского инженера и футуролога Рэймонда Курцвейла, появление компьютеров с человеческим сознанием разделит историю человечества на “до и после”.
Как только машина обретет интеллект, она сможет эволюционировать, постоянно самосовершенствоваться, и как следствие, создавать все более умные формы сознания уже без помощи человека. Постепенно пропасть в знаниях между биологическим и небиологическим разумом будет увеличиваться, и в какой-то момент люди уже не смогут понимать компьютеры. Реальность, в которой машины обходят человека буквально во всем, кажется нереалистичной. Тем не менее, Курцвейл с абсолютной уверенностью предсказывает, что этот момент наступит в 2045 году. В то же время он заверяет, что это не повод отчаиваться и паниковать. Он верит, что искусственный интеллект сделает жизнь людей более интересной и беззаботной — каким именно образом описано ниже.
Искусственный мозг, о котором говорилось ранее, будет существовать на разных электронных носителях, а также в облаке. Люди смогут подключаться к нему по беспроводной связи. Такой технологический мостик обеспечит нам дополнительные возможности, которые ранее были недоступны в силу физиологических ограничений. Соединение с виртуальным мозгом будет осуществляться при помощи нанороботов, которые обеспечат беспроводную связь между мозгом и облачной компьютерной сетью. Нанороботы будут вживляться в организм через кровоток, а достигнув мозга, смогут взаимодействовать с нейронами и в режиме реального времени передавать сигналы из мозга в облако по интернету.
Образуется новый тип мышления — гибрид человека и машины, который еще называют нейрооблачным интерфейсом. Если сегодня нам необходимо использовать вспомогательные устройства для подключения к Интернету, то в будущем, эта связь будет осуществляться напрямую через клетки мозга. Настанет эра “Интернета мыслей”. Мы будем отправлять запросы в поисковик не с помощью клавиатуры, а с помощью мысли, а ответы на запросы будут приходить не на экран компьютера, а сразу в голову. Мы сможем загружать в себя знания подобно тому, как скачиваем программы на телефон. К примеру, вместо того чтобы изучать новый язык с нуля, можно будет просто скачать его за пару секунд. Мы также сможем обмениваться данными с другими людьми по такой беспроводной связи.
В отличие от своего биологического оригинала, синтетический мозг будет неограничен в своих вычислительных ресурсах и объеме памяти, так как сможет пользоваться ресурсами всех компьютеров и умных девайсов, подключенных к облаку. Связь со всеми устройствами и людьми на планете обеспечит ему доступ к огромному объему знаний из прошлого и настоящего, а также к знаниям каждого отдельно взятого человека. По мере того, как одна его единица будет приобретать новые знания, вся система будет сразу же становиться умнее. Такой коллективный супер мозг, по сути, объемлет всю планету, и уже будет сложно отличить, где заканчиваемся мы, и где начинается он. Скорее всего люди обретут бессмертие, так как физическое тело утратит былую значимость. Люди смогут загружать свое сознание в другие организмы и даже существовать в виртуальной реальности.
Пусть такая теория звучит нереалистично, но в каком-то смысле, мы уже сегодня сочетаем в себе биологический и небиологический интеллекты, пользуясь вспомогательными устройствами, такими как телефоны, планшеты. Не будь их, мы не смогли бы обрабатывать информацию также быстро и эффективно. Так что искусственное продолжение мозга в облаке на самом деле не звучит как абсолютная фантастика. К тому же, нанотехнологии, которые должны позволить вживлять микроскопических роботов в наш мозг, развиваются с огромной скоростью. Исследователи из Калифорнии недавно продемонстрировали модели нанороботов, которые могут проникать в кровоток, передвигаться по организму человека, и локально воздействовать на раковые клетки. Создание подобных роботов, способных проникать непосредственно в мозг, представляет собой более сложную задачу, так как общий кровоток отделен от мозга гематоэнцефалическим барьером. Он не пропускает большинство лекарственных молекул в ткань мозга, по причине чего, большинство заболеваний мозга лечатся путем операционного вмешательства. Тем не менее, многочисленные исследования подтверждают, что эта миссия выполнима, и более того, Джеймс Френд, профессор из университета Калифорнии в Сан Диего, заверяет, что мы находимся в нескольких годах от создания нанороботов, способных пересекать этот барьер.
К Курцвейлу также присоединяется с десяток других ученых из ведущих институтов мира, которые подробно описывают гипотезу о соединении с облаком напрямую через мозг в недавнем исследовании. Среди них Роберт Фрайтас из Института Молекулярного Производства в Калифорнии, который предрекает появление “Интернета Мыслей” в течение следующих десятилетий.
Источник: m.vk.com
