Με αξιοζήλευτη συχνότητα εμφανίζονται ειδήσεις για νέες εξελίξεις στον τομέα της τεχνητής νοημοσύνης. Έτσι, τον Ιανουάριο του τρέχοντος έτους, η Google ανακοίνωσε τα σχέδιά της, σε συνεργασία με τη Movidius, για τη δημιουργία επεξεργαστών για φορητές συσκευές με δυνατότητες μηχανικής εκμάθησης. Οι δηλωμένοι στόχοι της συνεργασίας είναι να προσφέρει δυνατότητες νοημοσύνης μηχανών στους ανθρώπους στις φορητές συσκευές τους. Και τον Φεβρουάριο, οι μηχανικοί του MIT παρουσίασαν ήδη τον επεξεργαστή Eyeriss, χάρη στον οποίο η τεχνητή νοημοσύνη μπορεί να εμφανιστεί σε φορητές συσκευές. Και αυτό με φόντο το γεγονός ότι ο όγκος των επενδύσεων στην ανάπτυξη συστημάτων τεχνητής νοημοσύνης αυξάνεται από χρόνο σε χρόνο.

Όλα δείχνουν ότι σύντομα η τεχνητή νοημοσύνη θα διεισδύσει στα smartphone μας, τα οποία θα γίνουν σημαντικά πιο έξυπνα. Δηλαδή δεν απέχουμε πολύ από την εξέγερση των μηχανών; Πόσο πιο έξυπνες πρέπει να γίνουν οι μηχανές για να πάρουν την εξουσία πάνω στους ανθρώπους; Και πόσο αληθινό είναι;

Τεχνητή νοημοσύνη ένα, τεχνητή νοημοσύνη δύο, τεχνητή νοημοσύνη τρία

Όταν διαβάζουμε ή ακούμε για την τεχνητή νοημοσύνη, πολλοί από εμάς φανταζόμαστε το SkyNet και τις μηχανές από τη διάσημη ταινία Terminator. Τι εννοούν οι ερευνητές και οι προγραμματιστές με αυτήν την έννοια;

Υπάρχουν τρεις τύποι τεχνητής νοημοσύνης που έχουμε ή μπορεί να χρειαστεί να δημιουργήσουμε:

Στενά στοχευμένη τεχνητή νοημοσύνη. Αυτό ακριβώς θα έχουμε στα νέα μας smartphone στο εγγύς μέλλον. Αυτή η νοημοσύνη είναι ανώτερη από την ανθρώπινη νοημοσύνη σε ορισμένες δραστηριότητες ή λειτουργίες. Ένας υπολογιστής με εξαιρετικά στοχευμένη τεχνητή νοημοσύνη μπορεί να κερδίσει έναν παγκόσμιο πρωταθλητή στο σκάκι, να παρκάρει ένα αυτοκίνητο ή να επιλέξει τα πιο σχετικά αποτελέσματα σε μια μηχανή αναζήτησης.

Η δύναμη μιας τέτοιας τεχνητής νοημοσύνης έγκειται στις υπολογιστικές δυνατότητες των επεξεργαστών. Όσο μεγαλύτερες είναι αυτές οι ευκαιρίες, τόσο πιο αποτελεσματικά επιλύονται οι εργασίες που έχουν ανατεθεί. Και με την αύξηση της ισχύος του επεξεργαστή δεν υπάρχουν προβλήματα τώρα. Το στενά εστιασμένο AI, στη φιλοσοφία της τεχνητής νοημοσύνης (υπάρχει κάτι τέτοιο) ονομάζεται αδύναμο.

Όμως οι υπολογιστικές δυνατότητες από μόνες τους, σύμφωνα με τους επιστήμονες, δεν αρκούν για τη δημιουργία πραγματικά έξυπνων μηχανών. Αν και ήταν ακριβώς η πλασματική περίπτωση της αυθόρμητης μετάβασης της αδύναμης τεχνητής νοημοσύνης σε ισχυρή που αποτέλεσε τη βάση για το σενάριο των ταινιών Terminator. Το SkyNet, ένας υπερυπολογιστής του Υπουργείου Άμυνας των ΗΠΑ που έχει σχεδιαστεί για να ελέγχει το σύστημα αντιπυραυλικής άμυνας, αποκτά συνείδηση ​​και αρχίζει να παίρνει τις δικές του αποφάσεις.

Γενική τεχνητή νοημοσύνη. Αν έχουμε ήδη δημιουργήσει συστήματα με στενά στοχευμένη τεχνητή νοημοσύνη και έχουμε βρει πρακτικές εφαρμογές για αυτά, τότε με το General AI όλα είναι πολύ πιο περίπλοκα. Αυτός ο τύπος AI είναι ήδη νοημοσύνη σε ανθρώπινο επίπεδο. Είναι καθολικό και ικανό να εκτελεί τις ίδιες διανοητικές λειτουργίες με τον ανθρώπινο εγκέφαλο.

Αν δούμε πλήρως ανθρωποειδή ρομπότ στη διάρκεια της ζωής μας, θα έχουν ακριβώς αυτό το είδος νοημοσύνης. Θυμηθείτε το android Andrew από την ταινία του Chris Columbus Bicentennial Man. Τα ρομπότ με τέτοια τεχνητή νοημοσύνη θα μπορούν να μαθαίνουν ανεξάρτητα, να σκέφτονται και να λαμβάνουν αποφάσεις όπως οι άνθρωποι. Θα μπορέσουν να χτίσουν σχέσεις με τους ανθρώπους γύρω τους, να γίνουν φίλοι και βοηθοί. Είναι αυτό το είδος τεχνητής νοημοσύνης που ονομάζεται ισχυρή.

Αλλά υπάρχει ένα χάσμα μεταξύ ισχυρής και αδύναμης τεχνητής νοημοσύνης. Για να πάτε από το ένα στο άλλο, δεν αρκεί να αυξήσετε την υπολογιστική ισχύ των υπολογιστών, πρέπει επίσης να τους δώσετε ευφυΐα. Οι επιστήμονες δεν έχουν ακόμη δει έναν ξεκάθαρο τρόπο για να το κάνουν αυτό.

Τεχνητή υπερνοημοσύνη. Είναι αυτός ο τύπος τεχνητής νοημοσύνης που προσελκύει ευρεία προσοχή. Σε μεγάλο βαθμό γιατί η πιθανότητα δημιουργίας του εκλαμβάνεται από πολλούς επιστήμονες ως κίνδυνος για την ανθρωπότητα. Το SkyNet είναι ένα παράδειγμα μιας τέτοιας απειλής.

Η υπερευφυΐα θα είναι πιο έξυπνη από οποιονδήποτε από τους ανθρώπους. Θα είναι ανώτερος από τον άνθρωπο σχεδόν σε κάθε τομέα. Θα είναι σε θέση να λύνει σύνθετα προβλήματα και να κάνει επιστημονικές ανακαλύψεις. Πώς θα συμπεριφερθεί μια ευφυής μηχανή σε σχέση με την ανθρωπότητα;

Οι επιστήμονες προτείνουν τρία μοντέλα αλληλεπίδρασης:

Μαντείο- Μπορούμε να λάβουμε απάντηση σε οποιαδήποτε περίπλοκη ερώτηση.

Τζιν- θα κάνει ό,τι χρειαζόμαστε μόνος του, χρησιμοποιώντας για αυτό τουλάχιστον έναν μοριακό συναρμολογητή, ακόμη και ρομποτικά εργαστήρια και εργοστάσια που λειτουργούν χωρίς ανθρώπινη παρέμβαση.

Κυρίαρχος- Θα βρει μόνος του το πρόβλημα και θα το λύσει μόνος του.

Όπως μπορείτε να δείτε, ο όρος «τεχνητή νοημοσύνη» περιέχει τρεις μορφές ύπαρξης τεχνητής νοημοσύνης. Και οι διαφορές τους μεταξύ τους είναι σημαντικές, όπως και οι συνέπειες της μετάβασης από το ένα AI στο άλλο. Μπορούμε να προσδιορίσουμε το επίπεδο ευφυΐας των έξυπνων μηχανών για να καταλάβουμε με ποιον έχουμε να κάνουμε;

Πώς να μετρήσετε την τεχνητή νοημοσύνη;

Οι άνθρωποι διαφέρουν μεταξύ τους ως προς το επίπεδο νοημοσύνης τους. Για την ποσοτικοποίησή του χρησιμοποιούνται ειδικές δοκιμές. Το τεστ IQ είναι γνωστό σε πολλούς. Πώς μετριέται η νοημοσύνη των μηχανών;

Αν υιοθετήσουμε μια μη κριτική προσέγγιση στις αναφορές των μέσων ενημέρωσης, τότε το πνευματικό επίπεδο των σύγχρονων μηχανών ποικίλλει μεταξύ του IQ ενός παιδιού 4 ετών και ενός 13χρονου εφήβου. Αυτοί οι δύο αριθμοί απεικονίζουν δύο προσεγγίσεις για τη μέτρηση της νοημοσύνης των μηχανών.

Το 2015, μια ομάδα επιστημόνων από το Ιλινόις δοκίμασε το σύστημα τεχνητής νοημοσύνης ConceptNet που δημιουργήθηκε στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης χρησιμοποιώντας ένα τυπικό τεστ IQ για παιδιά ηλικίας 2,5 έως 7 ετών. Τα αποτελέσματα του μηχανήματος αντιστοιχούσαν στη μέση απόδοση ενός παιδιού τεσσάρων ετών.

Εκτός από τη χρήση δοκιμών που έχουν σχεδιαστεί για ανθρώπους, είναι ευρέως γνωστό και χρησιμοποιείται ένα ειδικό τεστ σχεδιασμένο για μηχανές. Η δοκιμή Turing έχει σχεδιαστεί για να καθορίσει εάν μια μηχανή μπορεί να σκεφτεί.

Το τεστ έχει ως εξής. Ένα άτομο –ο δικαστής– επικοινωνεί με δύο συνομιλητές τους οποίους δεν βλέπει. Όλη η αλληλεπίδραση πραγματοποιείται με αλληλογραφία χρησιμοποιώντας έναν ενδιάμεσο υπολογιστή. Ένας από τους συνομιλητές είναι ένα άτομο και ο άλλος είναι ένα πρόγραμμα υπολογιστή που παρουσιάζεται ως άτομο. Εάν ο κριτής δεν μπορεί να πει με βεβαιότητα ποιος από τους συνομιλητές του είναι το πρόγραμμα, τότε το μηχάνημα θεωρείται ότι έχει περάσει το τεστ.

Μέχρι σήμερα, το τεστ Turing έχει περάσει μόνο μία φορά. Το 2014, το πρόγραμμα Eugene Goostman, το οποίο μιμήθηκε έναν 13χρονο έφηβο που ονόμασαν οι προγραμματιστές του ως Eugene Goostman, μπόρεσε να παραπλανήσει τους δικαστές και να υποδυθεί ένα άτομο.

Ωστόσο, υπάρχουν πολλές ενστάσεις για τέτοιες δοκιμές. Τόσο οι υπολογιστές όσο και τα προγράμματά τους σήμερα είναι φορείς αδύναμης, στενά εστιασμένης τεχνητής νοημοσύνης. Μια τέτοια ευφυΐα μπορεί μόνο να μιμηθεί το άτομο που κάνει το τεστ.

Όλα θα αλλάξουν όταν μεταβαίνουμε από την αδύναμη τεχνητή νοημοσύνη στην ισχυρή. Μια μηχανή προικισμένη με γενική τεχνητή νοημοσύνη, η οποία θα είναι παρόμοια με την ανθρώπινη νοημοσύνη, θα έχει ήδη συνείδηση ​​και αυτογνωσία και επομένως θα σκέφτεται. Ένας τέτοιος υπολογιστής θα περνούσε ένα τυπικό τεστ IQ, απαντώντας σε ερωτήσεις συνειδητά όπως θα έκανε ένας άνθρωπος.

Το ανθρώπινο IQ κυμαίνεται από 85 έως 130. Οι ίδιοι δείκτες θα είναι διαθέσιμοι και για τη γενική τεχνητή νοημοσύνη. Αλλά το ανώτερο επίπεδο IQ της τεχνητής υπερνοημοσύνης δεν θα έχει περιορισμούς. Θα μπορούσε να είναι 1.000 ή 10.000 Τι μας περιμένει καθώς βελτιώνεται η τεχνητή νοημοσύνη;

Από την εφεύρεση των υπολογιστών, η ικανότητά τους να εκτελούν διάφορες εργασίες συνέχισε να αυξάνεται εκθετικά. Οι άνθρωποι αναπτύσσουν τη δύναμη των συστημάτων υπολογιστών αυξάνοντας τις εργασίες και μειώνοντας το μέγεθος των υπολογιστών. Ο κύριος στόχος των ερευνητών στον τομέα της τεχνητής νοημοσύνης είναι να δημιουργήσουν υπολογιστές ή μηχανές τόσο ευφυείς όσο οι άνθρωποι.

Ο εμπνευστής του όρου «τεχνητή νοημοσύνη» είναι ο John McCarthy, εφευρέτης της γλώσσας Lisp, ιδρυτής του λειτουργικού προγραμματισμού και νικητής του βραβείου Turing για την τεράστια συνεισφορά του στον τομέα της έρευνας τεχνητής νοημοσύνης.

Η τεχνητή νοημοσύνη είναι ένας τρόπος να φτιάξεις έναν υπολογιστή, ένα ρομπότ ή ένα πρόγραμμα που ελέγχεται από υπολογιστή ικανό να σκέφτεται έξυπνα σαν άνθρωπος.

Η έρευνα στον τομέα της τεχνητής νοημοσύνης πραγματοποιείται με τη μελέτη των ανθρώπινων νοητικών ικανοτήτων και στη συνέχεια τα αποτελέσματα αυτής της έρευνας χρησιμοποιούνται ως βάση για την ανάπτυξη έξυπνων προγραμμάτων και συστημάτων.

AI Φιλοσοφία

Κατά τη λειτουργία ισχυρών συστημάτων υπολογιστών, όλοι έθεταν το ερώτημα: «Μπορεί μια μηχανή να σκέφτεται και να συμπεριφέρεται με τον ίδιο τρόπο όπως ένας άνθρωπος;» "

Έτσι, η ανάπτυξη της AI ξεκίνησε με την πρόθεση να δημιουργηθεί παρόμοια νοημοσύνη σε μηχανές, παρόμοια με την ανθρώπινη νοημοσύνη.

Κύριοι στόχοι της AI

• Δημιουργία έμπειρων συστημάτων - συστήματα που επιδεικνύουν έξυπνη συμπεριφορά: μαθαίνουν, δείχνουν, εξηγούν και δίνουν συμβουλές.
• Η εφαρμογή της ανθρώπινης νοημοσύνης στις μηχανές είναι η δημιουργία μιας μηχανής ικανής να κατανοεί, να σκέφτεται, να διδάσκει και να συμπεριφέρεται σαν άτομο.

Τι οδηγεί στην ανάπτυξη της τεχνητής νοημοσύνης;

Η τεχνητή νοημοσύνη είναι μια επιστήμη και τεχνολογία που βασίζεται σε κλάδους όπως η επιστήμη των υπολογιστών, η βιολογία, η ψυχολογία, η γλωσσολογία, τα μαθηματικά και η μηχανολογία. Ένας από τους κύριους τομείς της τεχνητής νοημοσύνης είναι η ανάπτυξη λειτουργιών του υπολογιστή που σχετίζονται με την ανθρώπινη νοημοσύνη, όπως ο συλλογισμός, η μάθηση και η επίλυση προβλημάτων.

Πρόγραμμα με και χωρίς AI

Τα προγράμματα με και χωρίς AI διαφέρουν στις ακόλουθες ιδιότητες:

Εφαρμογές AI

Η τεχνητή νοημοσύνη έχει γίνει κυρίαρχη σε διάφορους τομείς όπως:

Παιχνίδια - Η τεχνητή νοημοσύνη παίζει καθοριστικό ρόλο σε παιχνίδια που σχετίζονται με τη στρατηγική, όπως το σκάκι, το πόκερ, το τικ-τακ, κ.λπ., όπου ο υπολογιστής μπορεί να υπολογίσει μεγάλο αριθμό διαφόρων αποφάσεων με βάση ευρετικές γνώσεις.

Η επεξεργασία φυσικής γλώσσας είναι η ικανότητα επικοινωνίας με έναν υπολογιστή που κατανοεί τη φυσική γλώσσα που ομιλούν οι άνθρωποι.

Αναγνώριση ομιλίας - ορισμένα έξυπνα συστήματα είναι σε θέση να ακούσουν και να κατανοήσουν τη γλώσσα στην οποία ένα άτομο επικοινωνεί μαζί τους. Μπορούν να χειριστούν διαφορετικές προφορές, αργκό κ.λπ.

Αναγνώριση χειρογράφου - το λογισμικό διαβάζει κείμενο γραμμένο σε χαρτί με στυλό ή στην οθόνη με γραφίδα. Μπορεί να αναγνωρίσει σχήματα γραμμάτων και να τα μετατρέψει σε επεξεργάσιμο κείμενο.

Τα έξυπνα ρομπότ είναι ρομπότ ικανά να εκτελούν εργασίες που ανατίθενται από ανθρώπους. Διαθέτουν αισθητήρες για την ανίχνευση φυσικών δεδομένων από τον πραγματικό κόσμο, όπως φως, θερμότητα, κίνηση, ήχος, σοκ και πίεση. Διαθέτουν επεξεργαστές υψηλής απόδοσης, πολλαπλούς αισθητήρες και τεράστια μνήμη. Επιπλέον, είναι σε θέση να μάθουν από τα δικά τους λάθη και να προσαρμοστούν σε ένα νέο περιβάλλον.

Ιστορία ανάπτυξης AI

Ακολουθεί η ιστορία της ανάπτυξης της τεχνητής νοημοσύνης κατά τον 20ο αιώνα

Φέτος, η Yandex παρουσίασε τον φωνητικό βοηθό Alice. Η νέα υπηρεσία επιτρέπει στον χρήστη να ακούει ειδήσεις και καιρικές συνθήκες, να παίρνει απαντήσεις σε ερωτήσεις και απλά να επικοινωνεί με το bot. "Αλίκη" μερικές φορές γίνεται αλαζονικός, μερικές φορές φαίνεται σχεδόν λογικό και ανθρώπινα σαρκαστικό, αλλά συχνά δεν μπορεί να καταλάβει για τι τη ρωτούν και καταλήγει σε μια λακκούβα.

Όλα αυτά οδήγησαν όχι μόνο σε ένα κύμα αστείων, αλλά και σε έναν νέο γύρο συζητήσεων για την ανάπτυξη της τεχνητής νοημοσύνης. Τα νέα για το τι έχουν επιτύχει οι έξυπνοι αλγόριθμοι έρχονται σχεδόν καθημερινά σήμερα και η μηχανική μάθηση ονομάζεται ένας από τους πιο πολλά υποσχόμενους τομείς στους οποίους μπορείτε να αφοσιωθείτε.

Για να διευκρινίσουμε τις κύριες ερωτήσεις σχετικά με την τεχνητή νοημοσύνη, μιλήσαμε με τον Sergei Markov, ειδικό στην τεχνητή νοημοσύνη και τις μεθόδους μηχανικής μάθησης, συγγραφέα ενός από τα πιο ισχυρά εγχώρια προγράμματα σκακιού SmarThink και δημιουργό του έργου XXII Century.

Σεργκέι Μάρκοφ,

ειδικός στην τεχνητή νοημοσύνη

Καταρρίπτοντας μύθους για την τεχνητή νοημοσύνη

τι είναι λοιπόν η «τεχνητή νοημοσύνη»;

Η έννοια της «τεχνητής νοημοσύνης» ήταν άτυχη σε κάποιο βαθμό. Ξεκινώντας αρχικά από την επιστημονική κοινότητα, τελικά διείσδυσε στη φανταστική λογοτεχνία και μέσω αυτής στην ποπ κουλτούρα, όπου υπέστη πολλές αλλαγές, απέκτησε πολλές ερμηνείες και, στο τέλος, συγκλονίστηκε εντελώς.

Αυτός είναι ο λόγος για τον οποίο ακούμε συχνά δηλώσεις όπως αυτή από μη ειδικούς: «Το AI δεν υπάρχει», «Το AI δεν μπορεί να δημιουργηθεί». Η παρανόηση της φύσης της έρευνας της τεχνητής νοημοσύνης οδηγεί εύκολα τους ανθρώπους σε άλλα άκρα - για παράδειγμα, τα σύγχρονα συστήματα τεχνητής νοημοσύνης αποδίδονται στην παρουσία συνείδησης, ελεύθερης βούλησης και μυστικών κινήτρων.

Ας προσπαθήσουμε να ξεχωρίσουμε τις μύγες από τις κοτολέτες.

Στην επιστήμη, η τεχνητή νοημοσύνη αναφέρεται σε συστήματα που έχουν σχεδιαστεί για την επίλυση πνευματικών προβλημάτων.

Με τη σειρά του, μια διανοητική εργασία είναι μια εργασία που οι άνθρωποι επιλύουν χρησιμοποιώντας τη δική τους νοημοσύνη. Σημειώστε ότι σε αυτήν την περίπτωση, οι ειδικοί αποφεύγουν σκόπιμα να ορίσουν την έννοια της «νοημοσύνης», καθώς πριν από την εμφάνιση των συστημάτων AI, το μόνο παράδειγμα νοημοσύνης ήταν η ανθρώπινη νοημοσύνη και ο ορισμός της έννοιας της νοημοσύνης με βάση ένα μόνο παράδειγμα είναι το ίδιο με την προσπάθεια για να τραβήξετε μια ευθεία γραμμή μέσα από ένα μόνο σημείο. Μπορεί να υπάρχει οποιοσδήποτε αριθμός τέτοιων γραμμών, πράγμα που σημαίνει ότι η συζήτηση για την έννοια της νοημοσύνης θα μπορούσε να διεξάγεται για αιώνες.

«ισχυρή» και «αδύναμη» τεχνητή νοημοσύνη

Τα συστήματα AI χωρίζονται σε δύο μεγάλες ομάδες.

Εφαρμοσμένη τεχνητή νοημοσύνη(ο όρος «αδύναμη τεχνητή νοημοσύνη» ή «στενή τεχνητή νοημοσύνη» χρησιμοποιείται επίσης, στην αγγλική παράδοση - αδύναμη/εφαρμοσμένη/στενή τεχνητή νοημοσύνη) είναι η τεχνητή νοημοσύνη που έχει σχεδιαστεί για να λύνει οποιοδήποτε πνευματικό πρόβλημα ή ένα μικρό σύνολο από αυτά. Αυτή η τάξη περιλαμβάνει συστήματα για παιχνίδι σκάκι, Go, αναγνώριση εικόνας, ομιλία, λήψη αποφάσεων σχετικά με την έκδοση ή μη έκδοση τραπεζικού δανείου κ.λπ.

Σε αντίθεση με την εφαρμοσμένη τεχνητή νοημοσύνη, η έννοια εισάγεται καθολική τεχνητή νοημοσύνη(επίσης «ισχυρό AI», στα Αγγλικά - ισχυρό AI/Artificial General Intelligence) - δηλαδή υποθετικό (προς το παρόν) AI ικανό να λύσει οποιοδήποτε πνευματικό πρόβλημα.

Συχνά οι άνθρωποι, χωρίς να γνωρίζουν την ορολογία, εξισώνουν την τεχνητή νοημοσύνη με την ισχυρή τεχνητή νοημοσύνη, γι' αυτό και οι κρίσεις προκύπτουν στο πνεύμα του «Η τεχνητή νοημοσύνη δεν υπάρχει».

Το ισχυρό AI πραγματικά δεν υπάρχει ακόμα. Σχεδόν όλες οι εξελίξεις που έχουμε δει την τελευταία δεκαετία στον τομέα της τεχνητής νοημοσύνης είναι πρόοδοι στα συστήματα εφαρμογών. Αυτές οι επιτυχίες δεν πρέπει να υποτιμηθούν, καθώς τα εφαρμοσμένα συστήματα σε ορισμένες περιπτώσεις είναι ικανά να λύσουν πνευματικά προβλήματα καλύτερα από την παγκόσμια ανθρώπινη νοημοσύνη.

Νομίζω ότι προσέξατε ότι η έννοια της τεχνητής νοημοσύνης είναι αρκετά ευρεία. Ας πούμε, ο νοητικός υπολογισμός είναι επίσης μια διανοητική εργασία, και αυτό σημαίνει ότι κάθε υπολογιστική μηχανή θα θεωρείται σύστημα τεχνητής νοημοσύνης. Τι γίνεται με τους λογαριασμούς; Αβακας; Μηχανισμός Αντικυθήρων; Πράγματι, όλα αυτά είναι τυπικά, αν και πρωτόγονα, συστήματα AI. Ωστόσο, συνήθως, αποκαλώντας ένα σύστημα σύστημα τεχνητής νοημοσύνης, δίνουμε έμφαση στην πολυπλοκότητα του προβλήματος που επιλύεται από αυτό το σύστημα.

Είναι προφανές ότι ο διαχωρισμός των πνευματικών εργασιών σε απλές και σύνθετες είναι πολύ τεχνητός και οι ιδέες μας για την πολυπλοκότητα ορισμένων εργασιών αλλάζουν σταδιακά. Η μηχανική υπολογιστική μηχανή ήταν ένα θαύμα της τεχνολογίας τον 17ο αιώνα, αλλά σήμερα οι άνθρωποι, που έχουν εκτεθεί σε πολύ πιο περίπλοκους μηχανισμούς από την παιδική ηλικία, δεν μπορούν πλέον να εντυπωσιαστούν από αυτό. Όταν τα αυτοκίνητα που παίζουν το Go ή τα αυτοοδηγούμενα αυτοκίνητα πάψουν να εκπλήσσουν το κοινό, πιθανότατα θα υπάρξουν άνθρωποι που θα αναστατωθούν επειδή κάποιος θα ταξινομήσει τέτοια συστήματα ως AI.

"Εξαιρετικά Ρομπότ": σχετικά με τις μαθησιακές ικανότητες της τεχνητής νοημοσύνης

Μια άλλη αστεία παρανόηση είναι ότι τα συστήματα τεχνητής νοημοσύνης πρέπει να έχουν την ικανότητα αυτομάθησης. Από τη μία πλευρά, αυτό δεν είναι μια απαραίτητη ιδιότητα των συστημάτων AI: υπάρχουν πολλά εκπληκτικά συστήματα που δεν είναι ικανά να αυτοεκπαιδεύονται, αλλά, ωστόσο, λύνουν πολλά προβλήματα καλύτερα από τον ανθρώπινο εγκέφαλο. Από την άλλη πλευρά, μερικοί άνθρωποι απλά δεν γνωρίζουν ότι η αυτο-μάθηση είναι μια ιδιότητα που πολλά συστήματα τεχνητής νοημοσύνης απέκτησαν πριν από περισσότερα από πενήντα χρόνια.

Όταν έγραψα το πρώτο μου πρόγραμμα στο σκάκι το 1999, η αυτομάθηση ήταν ήδη μια εντελώς κοινή θέση σε αυτόν τον τομέα - τα προγράμματα μπορούσαν να θυμούνται επικίνδυνες θέσεις, να προσαρμόζουν τις παραλλαγές ανοίγματος ανάλογα με τον εαυτό τους και να ρυθμίζουν το στυλ παιχνιδιού, προσαρμοζόμενοι στον αντίπαλο. Φυσικά, αυτά τα προγράμματα ήταν ακόμα πολύ μακριά από το Alpha Zero. Ωστόσο, ακόμη και συστήματα που έμαθαν τη συμπεριφορά με βάση τις αλληλεπιδράσεις με άλλα συστήματα μέσω πειραμάτων στη λεγόμενη «ενισχυτική μάθηση» υπήρχαν ήδη. Ωστόσο, για κάποιον ανεξήγητο λόγο, μερικοί άνθρωποι εξακολουθούν να πιστεύουν ότι η ικανότητα αυτομάθησης είναι προνόμιο της ανθρώπινης νοημοσύνης.

Η μηχανική μάθηση, ένας ολόκληρος επιστημονικός κλάδος, ασχολείται με τις διαδικασίες διδασκαλίας μηχανών για την επίλυση ορισμένων προβλημάτων.

Υπάρχουν δύο μεγάλοι πόλοι μηχανικής μάθησης - η εποπτευόμενη μάθηση και η μάθηση χωρίς επίβλεψη.

Στο εκπαίδευση με δάσκαλοτο μηχάνημα έχει ήδη έναν ορισμένο αριθμό σωστών λύσεων υπό όρους για ένα συγκεκριμένο σύνολο περιπτώσεων. Το καθήκον της εκπαίδευσης σε αυτή την περίπτωση είναι να διδάξει το μηχάνημα, με βάση τα διαθέσιμα παραδείγματα, να λαμβάνει σωστές αποφάσεις σε άλλες, άγνωστες καταστάσεις.

Το άλλο άκρο είναι μάθηση χωρίς δάσκαλο. Δηλαδή, το μηχάνημα τοποθετείται σε μια κατάσταση όπου οι σωστές αποφάσεις είναι άγνωστες, μόνο τα δεδομένα είναι διαθέσιμα σε ακατέργαστη, χωρίς ετικέτα μορφή. Αποδεικνύεται ότι σε τέτοιες περιπτώσεις μπορείτε να επιτύχετε κάποια επιτυχία. Για παράδειγμα, μπορείτε να διδάξετε μια μηχανή να εντοπίζει σημασιολογικές σχέσεις μεταξύ λέξεων σε μια γλώσσα με βάση την ανάλυση ενός πολύ μεγάλου συνόλου κειμένων.

Ένας τύπος εποπτευόμενης μάθησης είναι η ενισχυτική μάθηση. Η ιδέα είναι ότι το σύστημα AI λειτουργεί ως ένας πράκτορας τοποθετημένος σε κάποιο προσομοιωμένο περιβάλλον στο οποίο μπορεί να αλληλεπιδράσει με άλλους πράκτορες, για παράδειγμα, με αντίγραφα του εαυτού του και να λάβει κάποια ανατροφοδότηση από το περιβάλλον μέσω μιας συνάρτησης ανταμοιβής. Για παράδειγμα, ένα πρόγραμμα σκακιού που παίζει με τον εαυτό του, προσαρμόζοντας σταδιακά τις παραμέτρους του και έτσι σταδιακά ενισχύοντας το δικό του παιχνίδι.

Η ενισχυτική μάθηση είναι ένα αρκετά ευρύ πεδίο, με πολλές ενδιαφέρουσες τεχνικές που χρησιμοποιούνται, που κυμαίνονται από εξελικτικούς αλγόριθμους έως βελτιστοποίηση Bayes. Οι πιο πρόσφατες εξελίξεις στην τεχνητή νοημοσύνη για παιχνίδια αφορούν τη βελτίωση της τεχνητής νοημοσύνης μέσω της ενισχυτικής μάθησης.

Κίνδυνοι ανάπτυξης τεχνολογίας: πρέπει να φοβόμαστε την «Κρίση»;

Δεν είμαι ένας από τους συναγερμούς της τεχνητής νοημοσύνης και από αυτή την άποψη δεν είμαι σε καμία περίπτωση μόνος. Για παράδειγμα, ο δημιουργός του μαθήματος του Stanford για τη μηχανική μάθηση, Andrew Ng, συγκρίνει το πρόβλημα του κινδύνου της τεχνητής νοημοσύνης με το πρόβλημα του υπερπληθυσμού του Άρη.

Πράγματι, είναι πιθανό ότι οι άνθρωποι θα αποικίσουν τον Άρη στο μέλλον. Είναι επίσης πιθανό ότι αργά ή γρήγορα μπορεί να υπάρξει πρόβλημα υπερπληθυσμού στον Άρη, αλλά δεν είναι απολύτως σαφές γιατί πρέπει να αντιμετωπίσουμε αυτό το πρόβλημα τώρα; Ο Yann LeCun, ο δημιουργός των συνελικτικών νευρωνικών δικτύων, και το αφεντικό του Mark Zuckerberg, και ο Yoshua Benyo, ένας άνθρωπος που χάρη στην έρευνα του οποίου τα σύγχρονα νευρωνικά δίκτυα είναι σε θέση να λύσουν πολύπλοκα προβλήματα στον τομέα της επεξεργασίας κειμένου, συμφωνούν με τον Ng.

Θα χρειαστούν πιθανώς αρκετές ώρες για να παρουσιάσω τις απόψεις μου σχετικά με αυτό το πρόβλημα, επομένως θα επικεντρωθώ μόνο στα κύρια σημεία.

1. ΔΕΝ ΜΠΟΡΕΙΤΕ ΝΑ ΠΕΡΙΟΡΙΣΕΤΕ ΤΗΝ ΑΝΑΠΤΥΞΗ ΤΗΣ AI

Οι συναγερμοί εξετάζουν τους κινδύνους που σχετίζονται με τις πιθανές καταστροφικές επιπτώσεις της τεχνητής νοημοσύνης, ενώ αγνοούν τους κινδύνους που σχετίζονται με την προσπάθεια περιορισμού ή ακόμα και διακοπής της προόδου σε αυτόν τον τομέα. Η τεχνολογική δύναμη της ανθρωπότητας αυξάνεται με εξαιρετικά γρήγορους ρυθμούς, οδηγώντας σε ένα αποτέλεσμα που ονομάζω «φτηνοποίηση της αποκάλυψης».

Πριν από 150 χρόνια, με όλη την επιθυμία, η ανθρωπότητα δεν μπορούσε να προκαλέσει ανεπανόρθωτη ζημιά ούτε στη βιόσφαιρα ούτε στον εαυτό της ως είδος. Για να εφαρμοστεί το καταστροφικό σενάριο πριν από 50 χρόνια, θα ήταν απαραίτητο να συγκεντρωθεί όλη η τεχνολογική δύναμη των πυρηνικών δυνάμεων. Αύριο, μια μικρή χούφτα φανατικών μπορεί να είναι αρκετή για να επιφέρει μια παγκόσμια ανθρωπογενή καταστροφή.

Η τεχνολογική μας δύναμη αυξάνεται πολύ πιο γρήγορα από την ικανότητα της ανθρώπινης νοημοσύνης να ελέγχει αυτή τη δύναμη.

Εκτός κι αν η ανθρώπινη νοημοσύνη, με τις προκαταλήψεις, την επιθετικότητα, τις αυταπάτες και τους περιορισμούς της, αντικατασταθεί από ένα σύστημα ικανό να λαμβάνει καλύτερες αποφάσεις (είτε τεχνητή νοημοσύνη είτε, κατά τη γνώμη μου πιο πιθανό, ανθρώπινη νοημοσύνη που είναι τεχνολογικά βελτιωμένη και ενσωματωμένη σε μηχανές), μπορεί να περιμένει μια παγκόσμια καταστροφή.

2. η δημιουργία υπερευφυΐας είναι θεμελιωδώς αδύνατη

Υπάρχει μια ιδέα ότι η τεχνητή νοημοσύνη του μέλλοντος θα είναι σίγουρα η υπερευφυΐα, ανώτερη από τους ανθρώπους ακόμη περισσότερο από ό,τι οι άνθρωποι είναι ανώτεροι από τα μυρμήγκια. Σε αυτήν την περίπτωση, φοβάμαι να απογοητεύσω και τους τεχνολογικούς αισιόδοξους - το Σύμπαν μας περιέχει μια σειρά από θεμελιώδεις φυσικούς περιορισμούς που, προφανώς, θα καταστήσουν αδύνατη τη δημιουργία υπερευφυΐας.

Για παράδειγμα, η ταχύτητα μετάδοσης του σήματος περιορίζεται από την ταχύτητα του φωτός και στην κλίμακα Planck εμφανίζεται η αβεβαιότητα Heisenberg. Αυτό οδηγεί στο πρώτο θεμελιώδες όριο - το όριο Bremermann, το οποίο εισάγει περιορισμούς στη μέγιστη ταχύτητα των υπολογισμών για ένα αυτόνομο σύστημα δεδομένης μάζας m.

Ένα άλλο όριο σχετίζεται με την αρχή Landauer, σύμφωνα με την οποία παράγεται μια ελάχιστη ποσότητα θερμότητας κατά την επεξεργασία 1 bit πληροφοριών. Οι υπερβολικά γρήγοροι υπολογισμοί θα προκαλέσουν απαράδεκτη θέρμανση και καταστροφή του συστήματος. Στην πραγματικότητα, οι σύγχρονοι επεξεργαστές είναι λιγότερο από χίλιες φορές πίσω από το όριο Landauer. Φαίνεται ότι τα 1000 είναι πολλά, αλλά ένα άλλο πρόβλημα είναι ότι πολλές πνευματικές εργασίες ανήκουν στην κατηγορία δυσκολίας EXPTIME. Αυτό σημαίνει ότι ο χρόνος που απαιτείται για την επίλυσή τους είναι μια εκθετική συνάρτηση του μεγέθους του προβλήματος. Η επιτάχυνση του συστήματος πολλές φορές δίνει μόνο μια σταθερή αύξηση της «νοημοσύνης».

Γενικά, υπάρχουν πολύ σοβαροί λόγοι να πιστεύουμε ότι η υπερ-έξυπνη ισχυρή τεχνητή νοημοσύνη δεν θα λειτουργήσει, αν και, φυσικά, το επίπεδο της ανθρώπινης νοημοσύνης μπορεί κάλλιστα να ξεπεραστεί. Πόσο επικίνδυνο είναι αυτό; Πιθανότατα όχι πολύ.

Φανταστείτε ότι ξαφνικά αρχίσατε να σκέφτεστε 100 φορές πιο γρήγορα από τους άλλους ανθρώπους. Αυτό σημαίνει ότι θα καταφέρεις εύκολα να πείσεις οποιονδήποτε περαστικό να σου δώσει το πορτοφόλι του;

3. ανησυχούμε για τα λάθος πράγματα

Δυστυχώς, ως αποτέλεσμα των εικασιών των συναγερμών σχετικά με τους φόβους του κοινού, που αναφέρθηκαν στο «The Terminator» και το περίφημο HAL 9000 των Clark και Kubrick, υπάρχει μια μετατόπιση της έμφασης στον τομέα της ασφάλειας AI προς την ανάλυση απίθανων , αλλά αποτελεσματικά σενάρια. Ταυτόχρονα, χάνονται οι πραγματικοί κίνδυνοι.

Οποιαδήποτε αρκετά περίπλοκη τεχνολογία που φιλοδοξεί να καταλάβει μια σημαντική θέση στο τεχνολογικό μας τοπίο σίγουρα συνεπάγεται συγκεκριμένους κινδύνους. Πολλές ζωές καταστράφηκαν από ατμομηχανές -στην κατασκευή, τις μεταφορές κ.λπ.- προτού αναπτυχθούν αποτελεσματικοί κανονισμοί και μέτρα ασφαλείας.

Αν μιλάμε για πρόοδο στον τομέα της εφαρμοσμένης τεχνητής νοημοσύνης, μπορούμε να δώσουμε προσοχή στο σχετικό πρόβλημα του λεγόμενου «Ψηφιακού Μυστικού Δικαστηρίου». Όλο και περισσότερες εφαρμογές τεχνητής νοημοσύνης λαμβάνουν αποφάσεις για θέματα που επηρεάζουν τη ζωή και την υγεία των ανθρώπων. Αυτό περιλαμβάνει ιατρικά διαγνωστικά συστήματα και, για παράδειγμα, συστήματα που λαμβάνουν αποφάσεις στις τράπεζες σχετικά με την έκδοση ή μη χορήγηση δανείου σε πελάτη.

Ταυτόχρονα, η δομή των μοντέλων που χρησιμοποιούνται, τα σύνολα των παραγόντων που χρησιμοποιούνται και άλλες λεπτομέρειες της διαδικασίας λήψης αποφάσεων κρύβονται ως εμπορικά μυστικά από το άτομο του οποίου η μοίρα διακυβεύεται.

Τα μοντέλα που χρησιμοποιούνται μπορεί να βασίζουν τις αποφάσεις τους στις απόψεις ειδικών δασκάλων που έκαναν συστηματικά λάθη ή είχαν ορισμένες προκαταλήψεις - φυλετική, φυλετική.

Η τεχνητή νοημοσύνη που έχει εκπαιδευτεί στις αποφάσεις τέτοιων ειδικών θα αναπαράγει πιστά αυτές τις προκαταλήψεις στις αποφάσεις της. Εξάλλου, αυτά τα μοντέλα μπορεί να περιέχουν συγκεκριμένα ελαττώματα.

Λίγοι άνθρωποι αντιμετωπίζουν αυτά τα προβλήματα τώρα, αφού, φυσικά, η έναρξη πυρηνικού πολέμου από το SkyNet είναι, φυσικά, πολύ πιο θεαματική.

Τα νευρωνικά δίκτυα ως «καυτή τάση»

Από τη μία πλευρά, τα νευρωνικά δίκτυα είναι ένα από τα παλαιότερα μοντέλα που χρησιμοποιούνται για τη δημιουργία συστημάτων AI. Εμφανιζόμενοι αρχικά ως αποτέλεσμα της βιονικής προσέγγισης, ξέφυγαν γρήγορα από τα βιολογικά τους πρωτότυπα. Η μόνη εξαίρεση εδώ είναι τα παλμικά νευρωνικά δίκτυα (ωστόσο, δεν έχουν βρει ακόμη ευρεία εφαρμογή στη βιομηχανία).

Η πρόοδος των τελευταίων δεκαετιών συνδέεται με την ανάπτυξη τεχνολογιών βαθιάς μάθησης - μια προσέγγιση στην οποία τα νευρωνικά δίκτυα συναρμολογούνται από μεγάλο αριθμό επιπέδων, καθένα από τα οποία είναι χτισμένο με βάση ορισμένα κανονικά μοτίβα.

Εκτός από τη δημιουργία νέων μοντέλων νευρωνικών δικτύων, σημαντική πρόοδος έχει σημειωθεί και στον τομέα των τεχνολογιών εκμάθησης. Σήμερα, τα νευρωνικά δίκτυα δεν διδάσκονται πλέον χρησιμοποιώντας κεντρικούς επεξεργαστές υπολογιστών, αλλά χρησιμοποιώντας εξειδικευμένους επεξεργαστές ικανούς να εκτελούν γρήγορα υπολογισμούς μήτρας και τανυστών. Ο πιο κοινός τύπος τέτοιων συσκευών σήμερα είναι οι κάρτες βίντεο. Ωστόσο, η ανάπτυξη ακόμη πιο εξειδικευμένων συσκευών για την εκπαίδευση νευρωνικών δικτύων βρίσκεται σε εξέλιξη.

Γενικότερα, βέβαια, τα νευρωνικά δίκτυα σήμερα αποτελούν μια από τις κύριες τεχνολογίες στον τομέα της μηχανικής μάθησης, στην οποία οφείλουμε τη λύση σε πολλά προβλήματα που προηγουμένως λύνονταν μη ικανοποιητικά. Από την άλλη, φυσικά, πρέπει να καταλάβετε ότι τα νευρωνικά δίκτυα δεν είναι πανάκεια. Για ορισμένες εργασίες απέχουν πολύ από το πιο αποτελεσματικό εργαλείο.

Πόσο έξυπνα είναι λοιπόν τα σημερινά ρομπότ;

Όλα μαθαίνονται από τη σύγκριση. Σε σύγκριση με την τεχνολογία του 2000, τα σημερινά επιτεύγματα μοιάζουν με πραγματικό θαύμα. Πάντα θα υπάρχουν άνθρωποι που τους αρέσει να γκρινιάζουν. Πριν από 5 χρόνια μιλούσαν με όλη τους τη δύναμη για το πώς οι μηχανές δεν θα κέρδιζαν ποτέ τους ανθρώπους στο Go (ή, τουλάχιστον, δεν θα κέρδιζαν πολύ σύντομα). Είπαν ότι ένα μηχάνημα δεν θα μπορούσε ποτέ να σχεδιάσει μια εικόνα από την αρχή, ενώ σήμερα οι άνθρωποι πρακτικά δεν μπορούν να διακρίνουν πίνακες που δημιουργούνται από μηχανές από πίνακες ζωγραφικής άγνωστων σε αυτούς καλλιτεχνών. Στα τέλη του περασμένου έτους, οι μηχανές έμαθαν να συνθέτουν ομιλία που πρακτικά δεν διακρίνεται από την ανθρώπινη ομιλία και τα τελευταία χρόνια η μουσική που δημιουργούν οι μηχανές δεν έχει μαραζώσει τα αυτιά.

Ας δούμε τι θα γίνει αύριο. Είμαι πολύ αισιόδοξος για αυτές τις εφαρμογές της AI.

Υποσχόμενες οδηγίες: από πού να ξεκινήσετε την κατάδυση στον τομέα της τεχνητής νοημοσύνης;

Θα σε συμβούλευα να δοκιμάσεις καλό επίπεδοκατακτήστε ένα από τα δημοφιλή πλαίσια νευρωνικών δικτύων και μια από τις πιο δημοφιλείς γλώσσες προγραμματισμού στον τομέα της μηχανικής μάθησης (ο πιο δημοφιλής συνδυασμός σήμερα είναι το TensorFlow + Python).

Έχοντας κατακτήσει αυτά τα εργαλεία και ιδανικά έχοντας μια ισχυρή βάση στον τομέα της μαθηματικής στατιστικής και της θεωρίας πιθανοτήτων, θα πρέπει να κατευθύνετε τις προσπάθειές σας στον τομέα που θα σας ενδιαφέρει περισσότερο προσωπικά.

Το ενδιαφέρον για το αντικείμενο της δουλειάς σας είναι ένας από τους σημαντικότερους βοηθούς σας.

Η ανάγκη για ειδικούς μηχανικής μάθησης υπάρχει κυρίως διαφορετικές περιοχές- στην ιατρική, στον τραπεζικό τομέα, στην επιστήμη, στην παραγωγή, έτσι σήμερα δίνεται στον καλό ειδικό μια ευρύτερη επιλογή από ποτέ. Τα πιθανά οφέλη οποιασδήποτε από αυτές τις βιομηχανίες μου φαίνονται ασήμαντα σε σύγκριση με το γεγονός ότι θα απολαύσετε τη δουλειά.

«Είμαστε στο κατώφλι των μεγαλύτερων αλλαγών συγκρίσιμων με την ανθρώπινη εξέλιξη» - συγγραφέας επιστημονικής φαντασίας Vernor Stefan Vinge

Πώς θα σας φαινόταν αν ήξερες ότι βρισκόσασταν στα πρόθυρα μιας τεράστιας αλλαγής όπως το ανθρωπάκι στο παρακάτω γράφημα;

Ο κάθετος άξονας είναι η ανάπτυξη της ανθρωπότητας, ο οριζόντιος είναι ο χρόνος

Συναρπαστικό, έτσι δεν είναι;

Ωστόσο, αν αποκρύψετε μέρος του γραφήματος, τότε όλα φαίνονται πολύ πιο πεζά.

Το μακρινό μέλλον είναι προ των πυλών

Φανταστείτε ότι βρίσκεστε το 1750. Εκείνες τις μέρες, οι άνθρωποι δεν είχαν ακούσει ακόμη για ηλεκτρισμό, η επικοινωνία από απόσταση γινόταν με τη βοήθεια πυρσών και το μόνο μέσο μεταφοράς έπρεπε να ταΐζεται με σανό πριν από το ταξίδι. Και έτσι αποφασίζεις να πάρεις το «άτομο από το παρελθόν» μαζί σου και να του δείξεις τη ζωή το 2016. Είναι αδύνατο να φανταστεί κανείς τι θα ένιωθε αν βρισκόταν σε φαρδιούς, επίπεδους δρόμους στους οποίους έτρεχαν αυτοκίνητα. Ο καλεσμένος σας θα εκπλαγεί απίστευτα που οι σύγχρονοι άνθρωποι μπορούν να επικοινωνούν ακόμα κι αν βρίσκονται σε διαφορετικές πλευρές του πλανήτη, παρακολουθούν αθλητικές εκδηλώσεις σε άλλες χώρες, παρακολουθούν συναυλίες πριν από 50 χρόνια και επίσης αποθηκεύουν οποιαδήποτε στιγμή σε μια φωτογραφία ή ένα βίντεο. Και αν έλεγες σε αυτόν τον άνθρωπο από το 1750 για το Διαδίκτυο, τον Διεθνή Διαστημικό Σταθμό, τον Μεγάλο Επιταχυντή Αδρονίων και τη Θεωρία της Σχετικότητας, η άποψή του για τον κόσμο πιθανότατα θα κατέρρεε. Θα μπορούσε ακόμη και να πεθάνει από υπερβολική αφθονία εντυπώσεων.

Αλλά αυτό είναι το ενδιαφέρον: αν ο καλεσμένος σας επέστρεψε στον «εγγενή» αιώνα του και αποφάσισε να πραγματοποιήσει ένα παρόμοιο πείραμα, πηγαίνοντας ένα άτομο από το 1500 για μια βόλτα με μια χρονομηχανή, τότε αν και ένας επισκέπτης από το παρελθόν μπορεί επίσης να εκπλαγεί από πολλούς πράγματα, η εμπειρία του δεν θα ήταν τόσο εντυπωσιακή — η διαφορά μεταξύ 1500 και 1750 δεν είναι τόσο αισθητή όσο μεταξύ 1750 και 2016.

Αν κάποιος από τον 18ο αιώνα θέλει να εντυπωσιάσει έναν επισκέπτη από το παρελθόν, τότε θα πρέπει να καλέσει κάποιον που έζησε το 12.000 π.Χ., πριν από τη Μεγάλη Αγροτική Επανάσταση. Πραγματικά θα μπορούσε να είχε «ξεκαρφωθεί» από την ανάπτυξη της τεχνολογίας. Βλέποντας τα ψηλά καμπαναριά των εκκλησιών, τα καράβια να οργώνουν τους ωκεανούς, τις πόλεις με χιλιάδες κατοίκους, λιποθυμούσε από τα φουντωμένα συναισθήματα.

Ο ρυθμός ανάπτυξης της τεχνολογίας και της κοινωνίας αυξάνεται συνεχώς. Ο διάσημος Αμερικανός εφευρέτης και μελλοντολόγος Raymond Kurzweil αποκαλεί αυτόν τον όρο «Ο νόμος της επιτάχυνσης της ιστορίας». Αυτό συμβαίνει επειδή η εισαγωγή νέων τεχνολογιών επιτρέπει στην κοινωνία να αναπτυχθεί με ολοένα και ταχύτερους ρυθμούς. Για παράδειγμα, οι άνθρωποι που έζησαν τον 19ο αιώνα είχαν πιο προηγμένη τεχνολογία από εκείνους του 15ου. Επομένως, δεν αποτελεί έκπληξη το γεγονός ότι ο 19ος αιώνας έφερε περισσότερα επιτεύγματα στην ανθρωπότητα από τον 15ο.

Αλλά αν η τεχνολογία αναπτύσσεται όλο και πιο γρήγορα, θα πρέπει να περιμένουμε πολλές μεγαλύτερες εφευρέσεις στο μέλλον, σωστά; Αν ο Kurzweil και οι ομοϊδεάτες του έχουν δίκιο, τότε το 2030 θα βιώσουμε τα ίδια συναισθήματα με ένα άτομο που ήρθε από το 1750 στο δικό μας. Και μέχρι το 2050, ο κόσμος θα έχει αλλάξει τόσο πολύ που δύσκολα θα μπορούμε να διακρίνουμε τα χαρακτηριστικά των προηγούμενων δεκαετιών.

Όλα τα παραπάνω δεν είναι επιστημονική φαντασία - είναι επιστημονικά επιβεβαιωμένα και αρκετά λογικά. Ωστόσο, πολλοί εξακολουθούν να είναι δύσπιστοι σχετικά με τέτοιους ισχυρισμούς. Αυτό συμβαίνει για διάφορους λόγους:

1. Πολλοί άνθρωποι πιστεύουν ότι η ανάπτυξη της κοινωνίας συμβαίνει ομοιόμορφα και άμεσα. Όταν σκεφτόμαστε πώς θα είναι ο κόσμος σε 30 χρόνια, θυμόμαστε τι συνέβη τα τελευταία 30 χρόνια. Σε αυτό το σημείο, κάνουμε το ίδιο λάθος με το άτομο από το παραπάνω παράδειγμα, που έζησε το 1750 και κάλεσε έναν επισκέπτη από το 1500. Για να φανταστείτε σωστά την πρόοδο που ακολουθεί, πρέπει να φανταστείτε ότι η ανάπτυξη συμβαίνει με πολύ ταχύτερο ρυθμό από ό,τι στο μακρινό παρελθόν.

2. Λανθασμένα αντιλαμβανόμαστε την τροχιά ανάπτυξης της σύγχρονης κοινωνίας. Για παράδειγμα, αν κοιτάξουμε ένα μικρό τμήμα μιας εκθετικής καμπύλης, μπορεί να μας φαίνεται ότι είναι μια ευθεία γραμμή (ακριβώς σαν να κοιτούσαμε μέρος ενός κύκλου). Ωστόσο, η εκθετική ανάπτυξη δεν είναι ομαλή και ομαλή. Ο Kurzweil εξηγεί ότι η πρόοδος ακολουθεί μια καμπύλη σχήματος s, όπως φαίνεται στο παρακάτω γράφημα:

Κάθε «γύρος» ανάπτυξης ξεκινά με ένα ξαφνικό άλμα, το οποίο στη συνέχεια αντικαθίσταται από σταθερή και σταδιακή ανάπτυξη.

Έτσι, κάθε νέος «γύρος» ανάπτυξης χωρίζεται σε διάφορα στάδια:

1. Αργή ανάπτυξη (αρχική φάση ανάπτυξης).
2. Ταχεία ανάπτυξη (η δεύτερη, «εκρηκτική» φράση ανάπτυξης).
3. «Ευθυγράμμιση» όταν νέα τεχνολογίαφέρεται στην τελειότητα.

Αν κοιτάξουμε τα πρόσφατα γεγονότα, μπορεί να καταλήξουμε στο συμπέρασμα ότι δεν γνωρίζουμε πλήρως πόσο γρήγορα προχωρά η τεχνολογία. Για παράδειγμα, μεταξύ 1995 και 2007 θα μπορούσαμε να δούμε την εμφάνιση του Διαδικτύου, της Microsoft, της Google και του Facebook, κοινωνικά δίκτυα, κινητά τηλέφωνα και μετά smartphone. Όμως η περίοδος μεταξύ 2008 και 2016 δεν ήταν τόσο πλούσια σε ανακαλύψεις, τουλάχιστον στον τομέα της υψηλής τεχνολογίας. Έτσι, βρισκόμαστε τώρα στο στάδιο 3 της γραμμής ανάπτυξης σε σχήμα s.

3. Πολλοί άνθρωποι είναι όμηροι των δικών τους εμπειριών ζωής, που διαστρεβλώνουν την άποψή τους για το μέλλον. Όταν ακούμε οποιαδήποτε πρόβλεψη για το μέλλον που έρχεται σε αντίθεση με την άποψή μας με βάση την προηγούμενη εμπειρία, θεωρούμε ότι αυτή η κρίση είναι αφελής. Για παράδειγμα, αν σας πουν σήμερα ότι στο μέλλον οι άνθρωποι θα ζήσουν 150-250 χρόνια ή , τότε πιθανότατα θα απαντήσετε: «Αυτό είναι ανόητο, γιατί είναι γνωστό ότι όλοι είναι θνητοί». Πράγματι, όλοι οι άνθρωποι που έζησαν ποτέ στο παρελθόν έχουν πεθάνει και συνεχίζουν να πεθαίνουν σήμερα. Αξίζει όμως να σημειωθεί ότι κανείς δεν πέταξε αεροπλάνα μέχρι να εφευρεθούν τελικά.

Στην πραγματικότητα, πολλά θα αλλάξουν τις επόμενες δεκαετίες, και οι αλλαγές θα είναι τόσο σημαντικές που είναι δύσκολο να το φανταστεί κανείς τώρα. Αφού διαβάσετε αυτό το άρθρο μέχρι το τέλος, μπορείτε να μάθετε περισσότερα για το τι συμβαίνει τώρα στον κόσμο της επιστήμης και της υψηλής τεχνολογίας.

Τι είναι η τεχνητή νοημοσύνη (AI);

1. Συνδέουμε την τεχνητή νοημοσύνη με ταινίες όπως «Star Wars», «Terminator» και ούτω καθεξής. Από αυτή την άποψη, το αντιμετωπίζουμε ως μυθοπλασία.

2. Το AI είναι μια αρκετά ευρεία έννοια. Ισχύει τόσο για αριθμομηχανές τσέπης όσο και για αυτοοδηγούμενα αυτοκίνητα. Μια τέτοια ποικιλομορφία προκαλεί σύγχυση.

3. Χρησιμοποιούμε τεχνητή νοημοσύνη στην καθημερινότητά μας, αλλά δεν το συνειδητοποιούμε. Αντιλαμβανόμαστε την τεχνητή νοημοσύνη ως κάτι μυθικό από τον κόσμο του μέλλοντος, επομένως είναι δύσκολο για εμάς να συνειδητοποιήσουμε ότι είναι ήδη γύρω μας.

Από αυτή την άποψη, είναι απαραίτητο να κατανοήσουμε αρκετά πράγματα μια για πάντα. Πρώτον, η τεχνητή νοημοσύνη δεν είναι ρομπότ. Ένα ρομπότ είναι ένα είδος κελύφους τεχνητής νοημοσύνης που μερικές φορές έχει το περίγραμμα ενός ανθρώπινου σώματος. Ωστόσο, η τεχνητή νοημοσύνη είναι ένας υπολογιστής μέσα σε ένα ρομπότ. Μπορεί να συγκριθεί με τον εγκέφαλο μέσα στο ανθρώπινο σώμα. Για παράδειγμα, η γυναικεία φωνή που ακούμε είναι απλώς μια προσωποποίηση.

Δεύτερον, πιθανότατα έχετε ήδη συναντήσει την έννοια της «ιδιαιτερότητας» ή της «τεχνολογικής μοναδικότητας». Αυτός ο όρος χρησιμοποιήθηκε για να περιγράψει μια κατάσταση στην οποία δεν ισχύουν οι συνήθεις νόμοι και κανόνες. Αυτή η έννοια χρησιμοποιείται στη φυσική για να περιγράψει τις μαύρες τρύπες ή τη στιγμή συμπίεσης του Σύμπαντος πριν από τη Μεγάλη Έκρηξη. Το 1993, ο Vernor Vinge δημοσίευσε το διάσημο δοκίμιό του στο οποίο χρησιμοποίησε τη μοναδικότητα για να εντοπίσει ένα σημείο στο μέλλον όπου η τεχνητή νοημοσύνη θα ξεπερνούσε τη δική μας. Κατά τη γνώμη του, όταν έρθει αυτή η στιγμή, ο κόσμος με όλους τους κανόνες και τους νόμους του θα πάψει να υπάρχει όπως πριν.

Τέλος, υπάρχουν διάφοροι τύποι τεχνητής νοημοσύνης, μεταξύ των οποίων διακρίνονται τρεις κύριες κατηγορίες:

1. Περιορισμένη Τεχνητή Νοημοσύνη (ANI, Artificial Narrow Intelligence). Είναι μια τεχνητή νοημοσύνη που ειδικεύεται σε έναν συγκεκριμένο τομέα. Για παράδειγμα, μπορεί να κερδίσει τον παγκόσμιο πρωταθλητή σκακιού σε μια παρτίδα σκακιού, αλλά αυτό είναι το μόνο που μπορεί να κάνει.

2. General Artificial Intelligence (AGI, Artificial General Intelligence). Αυτή η τεχνητή νοημοσύνη είναι ένας υπολογιστής του οποίου η νοημοσύνη μοιάζει με αυτή ενός ανθρώπου, δηλαδή μπορεί να εκτελέσει όλες τις ίδιες εργασίες με έναν άνθρωπο. Η καθηγήτρια Linda Gottfredson περιγράφει αυτό το φαινόμενο ως εξής: «Η γενική τεχνητή νοημοσύνη ενσαρκώνει τις γενικευμένες ικανότητες σκέψης, οι οποίες περιλαμβάνουν επίσης την ικανότητα λογικής, προγραμματισμού, επίλυσης προβλημάτων, αφηρημένης σκέψης, σύγκρισης σύνθετων ιδεών, μάθησης γρήγορα και χρήσης συσσωρευμένης εμπειρίας».

3. Artificial Superintelligence (ASI, Artificial Superintelligence). Ο Σουηδός φιλόσοφος και καθηγητής του Πανεπιστημίου της Οξφόρδης Nick Bostrom ορίζει την υπερευφυΐα ως «μια νοημοσύνη που είναι ανώτερη από αυτή των ανθρώπων σχεδόν σε όλους τους τομείς, συμπεριλαμβανομένων των επιστημονικών εφευρέσεων, των γενικών γνώσεων και των κοινωνικών δεξιοτήτων».

Επί του παρόντος, η ανθρωπότητα χρησιμοποιεί ήδη με επιτυχία περιορισμένη τεχνητή νοημοσύνη. Βρισκόμαστε στο δρόμο για να κατακτήσουμε το AGI. Στις επόμενες ενότητες του άρθρου θα συζητηθεί κάθε μία από αυτές τις κατηγορίες λεπτομερώς.

Ένας κόσμος που κυβερνάται από περιορισμένη τεχνητή νοημοσύνη

Η περιορισμένη τεχνητή νοημοσύνη είναι η νοημοσύνη μηχανής που είναι ίση ή ανώτερη από την ανθρώπινη νοημοσύνη στην επίλυση στενών προβλημάτων. Παρακάτω είναι μερικά παραδείγματα:

• ένα αυτοοδηγούμενο αυτοκίνητο από την Google που αναγνωρίζει και αντιδρά σε διάφορα εμπόδια στο πέρασμά του.
• είναι "παράδεισος" διάφορες μορφέςπεριορισμένη τεχνητή νοημοσύνη. Όταν μετακινείστε στην πόλη χρησιμοποιώντας συμβουλές πλοήγησης, λάβετε προτάσεις μουσικής από την Pandora, ελέγξτε την πρόγνωση του καιρού, μιλήστε με τη Siri, χρησιμοποιείτε το ANI.
• φίλτρα ανεπιθύμητης αλληλογραφίας στο email σας - πρώτα μαθαίνουν να αναγνωρίζουν ανεπιθύμητα μηνύματα και, στη συνέχεια, αναλύοντας την προηγούμενη εμπειρία τους και τις προτιμήσεις σας, μετακινούν γράμματα σε έναν ειδικό φάκελο.
• ο μεταφραστής Google Translate είναι ένα κλασικό παράδειγμα περιορισμένης τεχνητής νοημοσύνης που αντιμετωπίζει αρκετά καλά τη στενή του αποστολή.
• τη στιγμή που το αεροπλάνο προσγειώνεται, ένα ειδικό σύστημα βασισμένο σε AI καθορίζει από ποια πύλη θα πρέπει να βγαίνουν οι επιβάτες.

Τα περιορισμένα συστήματα τεχνητής νοημοσύνης δεν αποτελούν απειλή για τον άνθρωπο. Στη χειρότερη περίπτωση, μια αποτυχία σε ένα τέτοιο σύστημα θα μπορούσε να προκαλέσει μια τοπική καταστροφή, όπως μια αύξηση της ισχύος ή μια μικρή κατάρρευση της χρηματοπιστωτικής αγοράς.

Κάθε νέα εφεύρεση στον τομέα της περιορισμένης τεχνητής νοημοσύνης μας φέρνει ένα βήμα πιο κοντά στη δημιουργία γενικής τεχνητής νοημοσύνης.

Γιατί είναι τόσο δύσκολο αυτό;

Αν προσπαθούσατε να δημιουργήσετε έναν υπολογιστή με την ίδια ευφυΐα με έναν άνθρωπο, θα αρχίζατε να εκτιμάτε πραγματικά την ικανότητά σας να σκέφτεστε. Σχεδιάζοντας ουρανοξύστες, εκτόξευση πυραύλων στο διάστημα, μελέτη της θεωρίας της Μεγάλης Έκρηξης - όλα αυτά είναι πολύ πιο εύκολο να επιτευχθούν από τη μελέτη του ανθρώπινου εγκεφάλου. Αυτή τη στιγμή, το μυαλό μας είναι το πιο περίπλοκο αντικείμενο στο παρατηρήσιμο Σύμπαν.

Το πιο ενδιαφέρον είναι ότι οι δυσκολίες στη δημιουργία γενικής τεχνητής νοημοσύνης προκύπτουν στα πιο φαινομενικά απλά πράγματα. Για παράδειγμα, η δημιουργία μιας συσκευής που θα μπορούσε να πολλαπλασιάζει δεκαψήφιους αριθμούς σε κλάσματα δευτερολέπτου δεν είναι δύσκολη. Ταυτόχρονα, είναι απίστευτα δύσκολο να γράψεις ένα πρόγραμμα που θα μπορούσε να αναγνωρίσει ποιος βρίσκεται μπροστά από την οθόνη: μια γάτα ή έναν σκύλο. Δημιουργήστε έναν υπολογιστή που μπορεί να νικήσει έναν άνθρωπο στο σκάκι; Εύκολα! Κάντε ένα μηχάνημα να διαβάσει και να κατανοήσει τι γράφεται σε ένα παιδικό βιβλίο; Η Google ξοδεύει δισεκατομμύρια δολάρια για να λύσει αυτό το πρόβλημα. Πράγματα όπως οι μαθηματικοί υπολογισμοί, η δημιουργία οικονομικών στρατηγικών, η μετάφραση από τη μια γλώσσα στην άλλη έχουν ήδη λυθεί με τη βοήθεια της τεχνητής νοημοσύνης. Ωστόσο, η όραση, η αντίληψη, οι χειρονομίες και η κίνηση στο διάστημα εξακολουθούν να παραμένουν άλυτα προβλήματα για τους υπολογιστές.

Αυτές οι δεξιότητες φαίνονται απλές στον άνθρωπο επειδή έχουν αναπτυχθεί κατά τη διάρκεια εκατομμυρίων ετών εξέλιξης. Όταν απλώνετε το χέρι σας για να σηκώσετε ένα αντικείμενο, οι μύες, οι σύνδεσμοι και τα οστά σας εκτελούν μια σειρά επεμβάσεων που συνάδουν με αυτό που βλέπουν τα μάτια σας.

Από την άλλη, ο πολλαπλασιασμός μεγάλων αριθμών και το παιχνίδι σκάκι είναι εντελώς νέες ενέργειες για τα βιολογικά όντα. Γι' αυτό είναι πολύ εύκολο για έναν υπολογιστή να μας κερδίσει σε αυτό. Σκεφτείτε ποιο πρόγραμμα θα προτιμούσατε να δημιουργήσετε: ένα που θα μπορούσε να πολλαπλασιάσει γρήγορα μεγάλους αριθμούς ή απλά να αναγνωρίσει το γράμμα Β από χιλιάδες άλλα γραμμένα με διαφορετικές γραμματοσειρές;

Ένα άλλο διασκεδαστικό παράδειγμα: κοιτάζοντας την παρακάτω εικόνα, τόσο εσείς όσο και ο υπολογιστής μπορείτε να αναγνωρίσετε αναμφισβήτητα ότι αντιπροσωπεύει ένα ορθογώνιο που αποτελείται από τετράγωνα δύο διαφορετικών αποχρώσεων:

Αλλά, μόλις αφαιρέσουμε το μαύρο φόντο, θα ανοίξει μπροστά μας η πλήρης, προηγουμένως κρυμμένη εικόνα:

Δεν θα είναι δύσκολο για ένα άτομο να ονομάσει και να περιγράψει όλες τις φιγούρες που βλέπει σε αυτήν την εικόνα. Ωστόσο, ο υπολογιστής δεν θα αντιμετωπίσει αυτήν την εργασία. Και αφού αναλύσει την παρακάτω εικόνα, θα συμπεράνει ότι μπροστά του είναι ένας συνδυασμός πολλών δισδιάστατων αντικειμένων λευκού, μαύρου και γκρι χρωμάτων. Σε αυτή την περίπτωση, ένα άτομο μπορεί εύκολα να πει ότι η εικόνα δείχνει μια μαύρη πέτρα:

Όλα όσα αναφέρθηκαν παραπάνω αφορούσαν μόνο την αντίληψη και την επεξεργασία στατικών πληροφοριών. Για να ταιριάζει με το επίπεδο νοημοσύνης ενός ανθρώπου, ένας υπολογιστής πρέπει να μάθει να αναγνωρίζει τις εκφράσεις του προσώπου, τις χειρονομίες και ούτω καθεξής. Πώς όμως να τα πετύχεις όλα αυτά;

Το πρώτο βήμα για τη δημιουργία γενικής τεχνητής νοημοσύνης είναι η αύξηση της ισχύος του υπολογιστή

Προφανώς, αν πρόκειται να δημιουργήσουμε «έξυπνους» υπολογιστές, τότε πρέπει να έχουν τις ίδιες ικανότητες σκέψης με έναν άνθρωπο. Ένας τρόπος για να επιτευχθεί αυτό είναι να αυξηθεί ο αριθμός των λειτουργιών ανά δευτερόλεπτο. Για να γίνει αυτό, είναι απαραίτητο να υπολογίσετε πόσες λειτουργίες ανά δευτερόλεπτο εκτελεί κάθε δομή του ανθρώπινου εγκεφάλου.

Ο Ray Kurzweil έκανε κάποιους υπολογισμούς και κατάφερε να καταλήξει σε έναν αριθμό 10.000.000.000.000.000 πράξεων ανά δευτερόλεπτο. Ο ανθρώπινος εγκέφαλος έχει περίπου την ίδια παραγωγικότητα.

Επί του παρόντος, ο πιο ισχυρός υπερυπολογιστής είναι ο κινεζικός Tianhe-2, του οποίου η απόδοση είναι 34 τετράδισεκατομμύρια λειτουργίες ανά δευτερόλεπτο. Ωστόσο, το μέγεθος αυτού του υπερυπολογιστή είναι εντυπωσιακό - καλύπτει μια περιοχή 720 τετραγωνικά μέτρακαι κοστίζει 390.000.000 δολάρια.

Έτσι, αν κοιτάξετε από την τεχνική πλευρά, έχουμε ήδη έναν υπολογιστή συγκρίσιμο σε απόδοση με τον ανθρώπινο εγκέφαλο. Δεν είναι διαθέσιμο στον μαζικό καταναλωτή, αλλά μέσα σε δέκα χρόνια θα γίνει. Ωστόσο, η απόδοση δεν είναι το μόνο πράγμα που μπορεί να δώσει σε έναν υπολογιστή νοημοσύνη όπως ένας άνθρωπος. Το επόμενο ερώτημα είναι: πώς να κάνετε έναν ισχυρό υπολογιστή έξυπνο;

Το δεύτερο βήμα για τη δημιουργία γενικής τεχνητής νοημοσύνης είναι να προικίσετε τη μηχανή με ευφυΐα

Αυτό είναι το πιο δύσκολο μέρος της διαδικασίας, γιατί κανείς δεν ξέρει πώς να κάνει έναν υπολογιστή έξυπνο. Υπάρχει ακόμη συζήτηση σχετικά με το πώς να μπορέσει ένα μηχάνημα να ξεχωρίζει τις γάτες από τους σκύλους ή να αναγνωρίζει το γράμμα Β. Ωστόσο, υπάρχουν διάφορες στρατηγικές, μερικές από τις οποίες περιγράφονται εν συντομία παρακάτω:

1. Αντιγραφή ανθρώπινου εγκεφάλου

Επί του παρόντος, οι επιστήμονες εργάζονται στη λεγόμενη αντίστροφη μηχανική του ανθρώπινου εγκεφάλου. Σύμφωνα με αισιόδοξες προβλέψεις, το έργο αυτό θα έχει ολοκληρωθεί έως το 2030. Μόλις δημιουργηθεί το έργο, θα μπορέσουμε να μάθουμε όλα τα μυστικά του εγκεφάλου μας και να αντλήσουμε νέες ιδέες από αυτό. Ένα παράδειγμα τέτοιου συστήματος είναι ένα τεχνητό νευρωνικό δίκτυο.

Μια άλλη πιο ακραία ιδέα είναι η πλήρης μίμηση των λειτουργιών του ανθρώπινου εγκεφάλου. Κατά τη διάρκεια αυτού του πειράματος, σχεδιάζεται να κοπεί ο εγκέφαλος σε πολλά λεπτά στρώματα και να σαρωθεί το καθένα από αυτά. Στη συνέχεια, χρησιμοποιώντας ένα ειδικό πρόγραμμα, θα χρειαστεί να δημιουργήσετε ένα τρισδιάστατο μοντέλο και στη συνέχεια να το εφαρμόσετε σε έναν ισχυρό υπολογιστή. Μετά από αυτό, θα λάβουμε μια συσκευή που θα έχει επίσημα όλες τις λειτουργίες του ανθρώπινου εγκεφάλου - το μόνο που μένει είναι να συλλέγει πληροφορίες και να μαθαίνει.

Πόσο καιρό πρέπει να περιμένουμε μέχρι να μπορέσουν οι επιστήμονες να δημιουργήσουν ένα ακριβές αντίγραφο του ανθρώπινου εγκεφάλου; Πολύς καιρός, γιατί μέχρι σήμερα οι ειδικοί δεν έχουν καταφέρει να αντιγράψουν ούτε ένα στρώμα 1 χιλιοστού του εγκεφάλου, που αποτελείται από 302 νευρώνες (ο εγκέφαλός μας αποτελείται από 100.000.000.000 νευρώνες).

2. Ανακεφαλαίωση της εξέλιξης του ανθρώπινου εγκεφάλου

Η δημιουργία ενός έξυπνου υπολογιστή είναι θεωρητικά δυνατή και η εξέλιξη του δικού μας εγκεφάλου είναι απόδειξη αυτού. Εάν δεν μπορούμε να δημιουργήσουμε ένα ακριβές αντίγραφο του εγκεφάλου, μπορούμε να προσπαθήσουμε να μιμηθούμε την εξέλιξή του. Στην πραγματικότητα, για παράδειγμα, είναι αδύνατο να κατασκευαστεί ένα αεροπλάνο αντιγράφοντας απλώς τα φτερά ενός πουλιού. Για να δημιουργήσετε ένα αεροσκάφος υψηλής ποιότητας, είναι καλύτερο να χρησιμοποιήσετε κάποια άλλη προσέγγιση.

Πώς μπορούμε να προσομοιώσουμε την εξελικτική διαδικασία για τη δημιουργία γενικής τεχνητής νοημοσύνης; Αυτή η μέθοδος ονομάζεται γενετικός αλγόριθμος. Η ουσία αυτής της προσέγγισης είναι ότι τα προβλήματα βελτιστοποίησης και μοντελοποίησης επιλύονται χρησιμοποιώντας μηχανισμούς παρόμοιους με τη φυσική επιλογή στη φύση. Αρκετοί υπολογιστές θα εκτελούν διαφορετικές εργασίες και αυτοί που είναι πιο αποτελεσματικοί θα «διασταυρωθούν» μεταξύ τους. Μηχανήματα που αποτυγχάνουν να ολοκληρώσουν την εργασία θα αποκλείονται. Έτσι, μετά από πολλές επαναλήψεις αυτού του πειράματος, ο αλγόριθμος φυσικής επιλογής θα δημιουργήσει έναν ολοένα και καλύτερο υπολογιστή. Η δυσκολία εδώ έγκειται στην αυτοματοποίηση της διαδικασίας εξέλιξης και «διασταύρωσης», επειδή η εξελικτική διαδικασία πρέπει να συνεχιστεί από μόνη της.

Το μειονέκτημα της περιγραφόμενης μεθόδου είναι ότι στη φύση της εξέλιξης χρειάζονται εκατομμύρια χρόνια, αλλά χρειαζόμαστε αποτελέσματα μέσα σε μερικές δεκαετίες.

3. Μεταφέρετε όλες τις εργασίες στον υπολογιστή

Όταν οι επιστήμονες απελπίζονται, προσπαθούν να δημιουργήσουν ένα πρόγραμμα που δοκιμάζει τον εαυτό του. Αυτή μπορεί να είναι η πιο πολλά υποσχόμενη μέθοδος για τη δημιουργία γενικής τεχνητής νοημοσύνης.

Η ιδέα είναι να δημιουργηθεί ένας υπολογιστής του οποίου οι κύριες λειτουργίες θα είναι η έρευνα AI και οι αλλαγές κωδικοποίησης. Ένας τέτοιος υπολογιστής όχι μόνο θα μάθει ανεξάρτητα, αλλά θα αλλάξει και τη δική του αρχιτεκτονική. Οι επιστήμονες σχεδιάζουν να διδάξουν έναν υπολογιστή να είναι ερευνητής του οποίου το κύριο καθήκον θα είναι να αναπτύξει τη δική του νοημοσύνη.

Όλα αυτά θα μπορούσαν να συμβούν πολύ σύντομα

Η συνεχής βελτίωση των υπολογιστών και τα καινοτόμα πειράματα με νέο λογισμικό συμβαίνουν παράλληλα. Η τεχνητή γενική νοημοσύνη μπορεί να εμφανιστεί γρήγορα και απροσδόκητα για δύο βασικούς λόγους:

1. Ο εκθετικός ρυθμός ανάπτυξης φαίνεται πολύ αργός, αλλά μπορεί να επιταχυνθεί ανά πάσα στιγμή.

2. Όσον αφορά το λογισμικό, η πρόοδος φαίνεται να είναι πολύ αργή, αλλά μια και μόνο ανακάλυψη μπορεί να μας πάει στο επόμενο επίπεδο εν ριπή οφθαλμού. νέο επίπεδοανάπτυξη. Για παράδειγμα, όλοι γνωρίζουμε ότι παλαιότερα οι άνθρωποι πίστευαν ότι η Γη ήταν στο κέντρο του Σύμπαντος. Από αυτή την άποψη, προέκυψαν πολλές δυσκολίες στη μελέτη του χώρου. Ωστόσο, τότε το παγκόσμιο σύστημα άλλαξε απροσδόκητα σε ηλιοκεντρικό. Μόλις οι ιδέες άλλαξαν δραματικά, έγινε δυνατή η νέα έρευνα.

Στο μονοπάτι από την περιορισμένη τεχνητή νοημοσύνη στην Τεχνητή Υπερευφυΐα

Κάποια στιγμή στην ανάπτυξη περιορισμένης τεχνητής νοημοσύνης, οι υπολογιστές θα αρχίσουν να μας ξεπερνούν. Το γεγονός είναι ότι η τεχνητή νοημοσύνη, πανομοιότυπη με τον ανθρώπινο εγκέφαλο, θα έχει πολλά πλεονεκτήματα έναντι των ανθρώπων, μεταξύ των οποίων διακρίνονται τα ακόλουθα:

Ταχύτητα. Οι νευρώνες του εγκεφάλου μας λειτουργούν σε μέγιστη συχνότητα 200 Hz, ενώ οι σύγχρονοι μικροεπεξεργαστές λειτουργούν στα 2 GHz, ή 10 εκατομμύρια φορές πιο γρήγορα.

Διαστάσεις. Ο ανθρώπινος εγκέφαλος περιορίζεται από το μέγεθος του κρανίου και ως εκ τούτου δεν μπορεί να μεγαλώσει. Ο υπολογιστής μπορεί να έχει οποιοδήποτε μέγεθος, παρέχοντας περισσότερο χώρο για την αποθήκευση αρχείων.

Αξιοπιστία και ανθεκτικότητα. Τα τρανζίστορ υπολογιστών λειτουργούν με μεγαλύτερη ακρίβεια από τους εγκεφαλικούς νευρώνες. Επιπλέον, μπορούν εύκολα να επισκευαστούν ή να αντικατασταθούν. Ο ανθρώπινος εγκέφαλος τείνει να κουράζεται, ενώ ένας υπολογιστής μπορεί να λειτουργεί με πλήρη χωρητικότητα όλο το εικοσιτετράωρο.

Η τεχνητή νοημοσύνη, προγραμματισμένη για συνεχή αυτοβελτίωση, δεν θα περιοριστεί σε κανένα όριο. Αυτό σημαίνει ότι μόλις μια μηχανή φτάσει στο επίπεδο της ανθρώπινης νοημοσύνης, δεν θα σταματήσει εκεί.

Φυσικά, όταν ένας υπολογιστής γίνει πιο «έξυπνος» από εμάς, θα είναι ένα σοκ για όλη την ανθρωπότητα. Στην πραγματικότητα, οι περισσότεροι από εμάς έχουμε μια παραμορφωμένη άποψη για τη νοημοσύνη που μοιάζει με αυτό:

Η διαστρεβλωμένη μας άποψη για τη νοημοσύνη.

Ο οριζόντιος άξονας είναι ο χρόνος, ο κατακόρυφος είναι η νοημοσύνη.

Τα επίπεδα νοημοσύνης πηγαίνουν από κάτω προς τα πάνω: μυρμήγκι, πουλί, χιμπατζής, ηλίθιος άνθρωπος, Αϊνστάιν. Ανάμεσα στον ηλίθιο και τον Αϊνστάιν υπάρχει ένας άντρας που λέει: «Χα χα! Αυτά τα αστεία ρομπότ λειτουργούν σαν μαϊμούδες!».

Η ανάπτυξη της τεχνητής νοημοσύνης υποδεικνύεται με κόκκινο χρώμα.

Έτσι, η καμπύλη ανάπτυξης της τεχνητής νοημοσύνης στο γράφημα τείνει να φτάσει στο ανθρώπινο επίπεδο. Παρακολουθούμε καθώς η μηχανή γίνεται σταδιακά πιο έξυπνη από το ζώο. Ωστόσο, από τη στιγμή που η τεχνητή νοημοσύνη φτάσει στο επίπεδο του «στενόμυαλου ανθρώπου» ή, όπως το λέει ο Νικ Μπόστρομ, του «ηλίθιου του χωριού», θα σημαίνει ότι έχει δημιουργηθεί τεχνητή γενική νοημοσύνη. Σε αυτή την περίπτωση, δεν θα είναι δύσκολο για έναν υπολογιστή να φτάσει στο επίπεδο του Αϊνστάιν. Αυτή η ταχεία εξέλιξη φαίνεται στο παρακάτω σχήμα:

Τι γίνεται όμως μετά;

Διανοητική έκρηξη

Εδώ θα ήταν χρήσιμο να υπενθυμίσουμε ότι όλα όσα γράφονται σε αυτό το άρθρο είναι μια περιγραφή πραγματικών επιστημονικών προβλέψεων που συντάσσονται από έγκριτους επιστήμονες.

Σε κάθε περίπτωση, τα περισσότερα μοντέλα περιορισμένης τεχνητής νοημοσύνης περιλαμβάνουν τη λειτουργία της αυτοβελτίωσης. Αλλά ακόμα κι αν δημιουργήσετε μια τεχνητή νοημοσύνη που αρχικά δεν παρέχει μια τέτοια λειτουργία, τότε, έχοντας φτάσει στο επίπεδο της ανθρώπινης νοημοσύνης, ο υπολογιστής θα αποκτήσει τη δυνατότητα να μαθαίνει ανεξάρτητα κατά βούληση. Ως αποτέλεσμα αυτού, η νοημοσύνη των μηχανών θα αναπτυχθεί σταδιακά και θα γίνει μια υπερευφυΐα που θα είναι πολλές φορές ανώτερη από το ανθρώπινο μυαλό.

Αυτή τη στιγμή υπάρχει συζήτηση για το πότε η τεχνητή νοημοσύνη θα φτάσει στο επίπεδο της ανθρώπινης νοημοσύνης. Εκατοντάδες επιστήμονες συμφωνούν ότι αυτό θα συμβεί γύρω στο 2040. Όχι πολύ καιρό, σωστά;

Έτσι, θα χρειαστούν δεκαετίες για να φτάσει η τεχνητή νοημοσύνη στο επίπεδο της ανθρώπινης νοημοσύνης, αλλά τελικά θα συμβεί. Οι υπολογιστές θα μάθουν να κατανοούν τον κόσμο γύρω τους με τον ίδιο τρόπο που καταλαβαίνει ένα παιδί 4 ετών. Ξαφνικά, έχοντας απορροφήσει αυτές τις πληροφορίες, το σύστημα θα κατακτήσει τη θεωρητική φυσική, την κβαντομηχανική και τη θεωρία της σχετικότητας. Σε μιάμιση ώρα, η τεχνητή νοημοσύνη θα μετατραπεί σε τεχνητή υπερνοημοσύνη, 170 χιλιάδες φορές μεγαλύτερη από τις δυνατότητες του ανθρώπινου εγκεφάλου.

Η υπερευφυΐα είναι ένα φαινόμενο που δεν μπορούμε καν να κατανοήσουμε εν μέρει. Κατά τη γνώμη μας έξυπνο άτομοέχει IQ 130 και ο ηλίθιος έχει λιγότερο από 85. Αλλά ποια λέξη μπορείς να διαλέξεις για ένα πλάσμα με IQ 12952;

Η νοημοσύνη είναι συνώνυμη με τη δύναμη, γι' αυτό αυτή τη στιγμή ο άνθρωπος βρίσκεται στο απόγειο της εξέλιξης, υποτάσσοντας όλα τα άλλα έμβια όντα. Αυτό σημαίνει ότι με την έλευση της τεχνητής υπερνοημοσύνης, θα πάψουμε να είμαστε το «στεφάνι της φύσης». Θα υποταχθούμε στο υπερμυαλό.

Αν ο περιορισμένος εγκέφαλός μας μπορούσε να δημιουργήσει Wi-Fi, φανταστείτε τι μυαλό θα μπορούσαμε να δημιουργήσουμε εκατοντάδες, χιλιάδες, ακόμη και εκατομμύρια φορές μεγαλύτερο από εμάς. Αυτή η νοημοσύνη θα μπορεί να ελέγχει τη θέση κάθε ατόμου στον πλανήτη. Όλα όσα θεωρούμε τώρα μαγεία ή τη δύναμη του Θεού θα γίνουν το καθημερινό καθήκον της υπερευφυΐας. Το Supermind θα είναι σε θέση να νικήσει τα γηρατειά, να θεραπεύσει ασθένειες, να καταστρέψει την πείνα και ακόμη και τον θάνατο. Θα μπορεί ακόμη και να επαναπρογραμματίσει τον καιρό για να προστατεύσει τη ζωή στη Γη. Αλλά η υπερευφυΐα μπορεί να καταστρέψει τη ζωή στον πλανήτη εν ριπή οφθαλμού. Στην τρέχουσα κατανόησή μας για την πραγματικότητα, ο Θεός θα εγκατασταθεί δίπλα μας στο ρόλο της υπερευφυΐας. Το μόνο ερώτημα που πρέπει να κάνουμε στον εαυτό μας είναι: θα είναι αυτός ένας καλός Θεός;

Τεχνητή νοημοσύνη: πώς και πού να μελετήσετε - απαντούν οι ειδικοί

«Θέλω να κάνω AI. Τι αξίζει να μελετήσετε; Ποιες γλώσσες να χρησιμοποιήσω; Σε ποιους οργανισμούς πρέπει να σπουδάσω και να εργαστώ;

Απευθυνθήκαμε στους ειδικούς μας για διευκρίνιση και σας παρουσιάζουμε τις απαντήσεις που λάβαμε.

Εξαρτάται από τη βασική σας εκπαίδευση. Πρώτα απ 'όλα, χρειάζεστε μια μαθηματική κουλτούρα (γνώση στατιστικών, θεωρία πιθανοτήτων, διακριτά μαθηματικά, γραμμική άλγεβρα, ανάλυση κ.λπ.) και διάθεση να μάθετε πολλά γρήγορα. Κατά την εφαρμογή μεθόδων AI, θα απαιτείται προγραμματισμός (αλγόριθμοι, δομές δεδομένων, OOP, κ.λπ.).

Διαφορετικά έργα απαιτούν γνώση διαφορετικών γλωσσών προγραμματισμού. Θα συνιστούσα να γνωρίζετε τουλάχιστον Python, Java και οποιαδήποτε λειτουργική γλώσσα. Θα είναι χρήσιμη η εμπειρία με διάφορες βάσεις δεδομένων και κατανεμημένα συστήματα. Απαιτούνται δεξιότητες αγγλικής γλώσσας για να μάθετε γρήγορα τις βέλτιστες πρακτικές του κλάδου.

Σας προτείνω να σπουδάσετε σε καλά ρωσικά πανεπιστήμια! Για παράδειγμα, τα MIPT, MSU και HSE έχουν αντίστοιχα τμήματα. Μια μεγάλη ποικιλία θεματικών μαθημάτων είναι διαθέσιμη στις πλατφόρμες Coursera, edX, Udacity, Udemy και σε άλλες πλατφόρμες MOOC. Ορισμένοι κορυφαίοι οργανισμοί έχουν τα δικά τους προγράμματα κατάρτισης στον τομέα της τεχνητής νοημοσύνης (για παράδειγμα, το School of Data Analysis στο Yandex).

Τα προβλήματα εφαρμογών που επιλύονται με μεθόδους τεχνητής νοημοσύνης μπορούν να βρεθούν σε μεγάλη ποικιλία θέσεων. Οι τράπεζες, ο χρηματοοικονομικός τομέας, οι συμβουλές, το λιανικό εμπόριο, το ηλεκτρονικό εμπόριο, οι μηχανές αναζήτησης, οι ταχυδρομικές υπηρεσίες, η βιομηχανία τυχερών παιχνιδιών, η βιομηχανία συστημάτων ασφαλείας και, φυσικά, η Avito - όλα χρειάζονται ειδικούς διαφόρων προσόντων.

Προώθηση υποβιβασμού

Έχουμε ένα έργο fintech που σχετίζεται με τη μηχανική μάθηση και την όραση υπολογιστών, στο οποίο ο πρώτος προγραμματιστής του έγραψε τα πάντα σε C++, μετά ήρθε ένας προγραμματιστής και ξαναέγραψε τα πάντα στην Python. Επομένως, η γλώσσα δεν είναι το πιο σημαντικό πράγμα εδώ, αφού η γλώσσα είναι πρώτα και κύρια ένα εργαλείο και εξαρτάται από εσάς πώς να τη χρησιμοποιήσετε. Απλώς σε ορισμένες γλώσσες τα προβλήματα μπορούν να λυθούν πιο γρήγορα και σε άλλες πιο αργά.

Είναι δύσκολο να πούμε πού να σπουδάσουμε - όλα τα παιδιά μας σπούδασαν μόνοι τους, ευτυχώς υπάρχει το Διαδίκτυο και η Google.

Προώθηση υποβιβασμού

Μπορώ να σας συμβουλέψω να προετοιμαστείτε από την αρχή για το γεγονός ότι θα πρέπει να μελετήσετε πολύ. Ανεξάρτητα από το τι σημαίνει "κάνω AI" - εργασία με μεγάλα δεδομένα ή νευρωνικά δίκτυα. ανάπτυξη τεχνολογίας ή υποστήριξη και εκπαίδευση συγκεκριμένου ήδη ανεπτυγμένου συστήματος.

Ας πάρουμε το μοντέρνο επάγγελμα του Επιστήμονα Δεδομένων για λόγους ειδικών. Τι κάνει αυτό το άτομο; Γενικά, συλλέγει, αναλύει και προετοιμάζει μεγάλα δεδομένα για χρήση. Αυτά είναι εκείνα στα οποία αναπτύσσεται και εκπαιδεύεται η AI. Τι πρέπει να γνωρίζει και να μπορεί να κάνει ένας Data Scientist; Η στατική ανάλυση και η μαθηματική μοντελοποίηση είναι από προεπιλογή και στο επίπεδο της ευχέρειας. Γλώσσες - ας πούμε, R, SAS, Python. Θα ήταν επίσης ωραίο να έχετε κάποια εμπειρία ανάπτυξης. Λοιπόν, σε γενικές γραμμές, ένας καλός επιστήμονας δεδομένων πρέπει να αισθάνεται σίγουρος για βάσεις δεδομένων, αλγόριθμους και οπτικοποίηση δεδομένων.

Δεν σημαίνει ότι ένα τέτοιο σύνολο γνώσεων θα μπορούσε να αποκτηθεί σε κάθε δεύτερο τεχνικό πανεπιστήμιο της χώρας. Οι μεγάλες εταιρείες που δίνουν προτεραιότητα στην ανάπτυξη τεχνητής νοημοσύνης το καταλαβαίνουν και αναπτύσσουν κατάλληλα εκπαιδευτικά προγράμματα για τον εαυτό τους - υπάρχει, για παράδειγμα, το School of Data Analysis από την Yandex. Αλλά πρέπει να γνωρίζετε ότι αυτή δεν είναι η κλίμακα όπου έρχεστε στα μαθήματα "από το δρόμο", αλλά τα αφήνετε ως έτοιμοι junior. Το επίπεδο είναι μεγάλο και είναι λογικό να μελετάς έναν κλάδο όταν τα βασικά (μαθηματικά, στατιστική) έχουν ήδη καλυφθεί, τουλάχιστον στο πλαίσιο του πανεπιστημιακού προγράμματος.

Ναι, θα πάρει αρκετό χρόνο. Αλλά το παιχνίδι αξίζει το κερί, γιατί ένας καλός Επιστήμονας Δεδομένων είναι πολλά υποσχόμενος. Και πολύ ακριβό. Υπάρχει επίσης ένα άλλο σημείο. Η τεχνητή νοημοσύνη, αφενός, δεν είναι πλέον απλώς ένα αντικείμενο διαφημιστικής εκστρατείας, αλλά μια τεχνολογία που έχει φτάσει εντελώς στο στάδιο της παραγωγικότητας. Από την άλλη πλευρά, η τεχνητή νοημοσύνη εξακολουθεί να αναπτύσσεται. Αυτή η εξέλιξη απαιτεί πολλούς πόρους, πολλές δεξιότητες και πολλά χρήματα. Μέχρι στιγμής αυτό είναι το επίπεδο του μεγάλου πρωταθλήματος. Θα πω το προφανές τώρα, αλλά αν θέλετε να είστε στην πρώτη γραμμή της επίθεσης και να οδηγείτε την πρόοδο με τα χέρια σας, στοχεύστε σε εταιρείες όπως το Facebook ή η Amazon.

Ταυτόχρονα, η τεχνολογία χρησιμοποιείται ήδη σε διάφορους τομείς: στον τραπεζικό τομέα, τις τηλεπικοινωνίες, τις γιγάντιες βιομηχανικές επιχειρήσεις και το λιανικό εμπόριο. Και χρειάζονται ήδη ανθρώπους που μπορούν να το υποστηρίξουν. Η Gartner προβλέπει ότι μέχρι το 2020, το 20% όλων των επιχειρήσεων στις ανεπτυγμένες χώρες θα προσλάβει αφοσιωμένους υπαλλήλους για την εκπαίδευση των νευρωνικών δικτύων που χρησιμοποιούνται σε αυτές τις εταιρείες. Υπάρχει λοιπόν λίγος χρόνος για να μάθετε μόνοι σας.

Προώθηση υποβιβασμού

Η τεχνητή νοημοσύνη αναπτύσσεται τώρα ενεργά και είναι δύσκολο να προβλεφθεί δέκα χρόνια νωρίτερα. Τα επόμενα δύο έως τρία χρόνια, οι προσεγγίσεις που βασίζονται σε νευρωνικά δίκτυα και υπολογιστές GPU θα κυριαρχούν. Ο ηγέτης σε αυτόν τον τομέα είναι η Python με το διαδραστικό περιβάλλον Jupyter και τις βιβλιοθήκες numpy, scipy και tensorflow.

Υπάρχουν πολλά διαδικτυακά μαθήματα που παρέχουν μια βασική κατανόηση αυτών των τεχνολογιών και γενικές αρχές AI, για παράδειγμα η πορεία του Andrew Ng. Και όσον αφορά τη διδασκαλία αυτού του θέματος, η Ρωσία είναι πλέον η πιο αποτελεσματική αυτοδιδασκαλίαή σε μια τοπική ομάδα συμφερόντων (για παράδειγμα, στη Μόσχα γνωρίζω την ύπαρξη τουλάχιστον δύο ομάδων όπου οι άνθρωποι μοιράζονται την εμπειρία και τη γνώση).

Προώθηση υποβιβασμού

Προώθηση υποβιβασμού

Σήμερα, το πιο γρήγορα εξελισσόμενο μέρος της τεχνητής νοημοσύνης είναι, ίσως, τα νευρωνικά δίκτυα.
Η μελέτη των νευρωνικών δικτύων και της τεχνητής νοημοσύνης θα πρέπει να ξεκινήσει με την κατάκτηση δύο κλάδων των μαθηματικών - τη γραμμική άλγεβρα και τη θεωρία πιθανοτήτων. Αυτό είναι ένα υποχρεωτικό ελάχιστο, οι ακλόνητοι πυλώνες της τεχνητής νοημοσύνης. Οι υποψήφιοι που θέλουν να κατανοήσουν τα βασικά της τεχνητής νοημοσύνης, όταν επιλέγουν ένα πανεπιστήμιο, κατά τη γνώμη μου, θα πρέπει να δώσουν προσοχή σε σχολές με ισχυρή σχολή μαθηματικών.

Το επόμενο βήμα είναι η μελέτη των προβλημάτων του θέματος. Υπάρχει τεράστιος όγκος λογοτεχνίας, τόσο εκπαιδευτικής όσο και εξειδικευμένης. Οι περισσότερες δημοσιεύσεις σχετικά με το θέμα της τεχνητής νοημοσύνης και των νευρωνικών δικτύων είναι γραμμένες στα αγγλικά, αλλά δημοσιεύονται και υλικά στη ρωσική γλώσσα. Χρήσιμη βιβλιογραφία μπορείτε να βρείτε, για παράδειγμα, στη δημόσια ψηφιακή βιβλιοθήκη arxiv.org.

Αν μιλάμε για τομείς δραστηριότητας, εδώ μπορούμε να επισημάνουμε την εκπαίδευση εφαρμοσμένων νευρωνικών δικτύων και την ανάπτυξη εντελώς νέων εκδόσεων νευρωνικών δικτύων. Ένα εντυπωσιακό παράδειγμα: υπάρχει μια τόσο δημοφιλής ειδικότητα τώρα - "επιστήμονας δεδομένων" (Data Scientist). Πρόκειται για προγραμματιστές που, κατά κανόνα, μελετούν και προετοιμάζουν ορισμένα σύνολα δεδομένων για την εκπαίδευση νευρωνικών δικτύων σε συγκεκριμένες περιοχές εφαρμογών. Συνοψίζοντας, θα ήθελα να τονίσω ότι κάθε εξειδίκευση απαιτεί ξεχωριστό δρόμο προετοιμασίας.

Προώθηση υποβιβασμού

Πριν ξεκινήσετε εξειδικευμένα μαθήματα, πρέπει να μελετήσετε τη γραμμική άλγεβρα και τη στατιστική. Θα συνιστούσα να ξεκινήσετε την εμβάπτισή σας στην τεχνητή νοημοσύνη με το εγχειρίδιο «Μηχανική Μάθηση. The Science and Art of Building Algorithms That Extract Knowledge from Data» είναι μια καλή αρχή για αρχάριους. Στο Coursera, αξίζει να ακούσετε τις εισαγωγικές διαλέξεις του K. Vorontsov (τονίζω ότι απαιτούν καλή γνώση της γραμμικής άλγεβρας) και το μάθημα «Machine Learning» στο Πανεπιστήμιο Stanford, που διδάσκει ο Andrew Ng, καθηγητής και επικεφαλής του Baidu AI. Group/Google Brain.

Το μεγαλύτερο μέρος είναι γραμμένο σε Python, ακολουθούμενο από το R και το Lua.

Αν μιλάμε για εκπαιδευτικά ιδρύματα, είναι καλύτερο να εγγραφείτε σε μαθήματα στα τμήματα εφαρμοσμένων μαθηματικών και πληροφορικής υπάρχουν κατάλληλα εκπαιδευτικά προγράμματα. Για να δοκιμάσετε τις ικανότητές σας, μπορείτε να λάβετε μέρος σε διαγωνισμούς Kaggle, όπου μεγάλες παγκόσμιες μάρκες προσφέρουν τις θήκες τους.

Προώθηση υποβιβασμού

Σε κάθε επιχείρηση, πριν ξεκινήσετε έργα, καλό θα ήταν να αποκτήσετε μια θεωρητική βάση. Υπάρχουν πολλά μέρη όπου μπορείτε να αποκτήσετε επίσημο μεταπτυχιακό σε αυτόν τον τομέα ή να βελτιώσετε τα προσόντα σας. Για παράδειγμα, η Skoltech προσφέρει μεταπτυχιακά προγράμματα στους τομείς της «Υπολογιστικής Επιστήμης και Μηχανικής» και της «Επιστήμης Δεδομένων», η οποία περιλαμβάνει μαθήματα «Μηχανικής Μάθησης» και «Επεξεργασίας Φυσικής Γλώσσας». Μπορείτε επίσης να αναφέρετε το Ινστιτούτο Ευφυών Κυβερνητικών Συστημάτων του Εθνικού Ερευνητικού Πυρηνικού Πανεπιστημίου MEPhI, τη Σχολή Υπολογιστικών Μαθηματικών και Κυβερνητικής του Κρατικού Πανεπιστημίου της Μόσχας και το Τμήμα Ευφυών Συστημάτων του MIPT.

Εάν έχετε ήδη επίσημη εκπαίδευση, υπάρχει ένας αριθμός μαθημάτων διαθέσιμα σε διάφορες πλατφόρμες MOOC. Για παράδειγμα, το EDx.org προσφέρει μαθήματα τεχνητής νοημοσύνης από τη Microsoft και το Πανεπιστήμιο Κολούμπια, το τελευταίο από τα οποία προσφέρει ένα πρόγραμμα μικρομάστερ με λογικό κόστος. Θα ήθελα να σημειώσω ιδιαίτερα ότι συνήθως μπορείτε να λάβετε τη γνώση δωρεάν, πληρώνετε μόνο για το πιστοποιητικό εάν είναι απαραίτητο για το βιογραφικό σας.

Εάν θέλετε να «βουτήξετε βαθιά» στο θέμα, ορισμένες εταιρείες στη Μόσχα προσφέρουν εντατικά μαθήματα διάρκειας μιας εβδομάδας με πρακτικές ασκήσεις, και μάλιστα προσφέρουν εξοπλισμό για πειράματα (για παράδειγμα, newprolab.com), ωστόσο, η τιμή τέτοιων μαθημάτων ξεκινά από αρκετές δεκάδες χιλιάδες ρούβλια.

Μεταξύ των εταιρειών που αναπτύσσουν Τεχνητή Νοημοσύνη, πιθανότατα γνωρίζετε την Yandex και τη Sberbank, αλλά υπάρχουν πολλές άλλες διαφορετικών μεγεθών. Για παράδειγμα, αυτή την εβδομάδα το Υπουργείο Άμυνας άνοιξε το ERA Military Innovation Technopolis στην Ανάπα, ένα από τα θέματα του οποίου είναι η ανάπτυξη τεχνητής νοημοσύνης για στρατιωτικές ανάγκες.

Προώθηση υποβιβασμού

Πριν μελετήσουμε την τεχνητή νοημοσύνη, πρέπει να αποφασίσουμε ένα θεμελιώδες ερώτημα: να πάρουμε το κόκκινο χάπι ή το μπλε.
Το κόκκινο χάπι είναι να γίνεις προγραμματιστής και να βουτήξεις στον σκληρό κόσμο των στατιστικών μεθόδων, των αλγορίθμων και της συνεχούς κατανόησης του αγνώστου. Από την άλλη πλευρά, δεν χρειάζεται να βιαστείτε αμέσως στην «τρύπα του κουνελιού»: μπορείτε να γίνετε διαχειριστής και να δημιουργήσετε AI, για παράδειγμα, ως διαχειριστής έργου. Πρόκειται για δύο ριζικά διαφορετικούς δρόμους.

Το πρώτο είναι υπέροχο αν έχετε ήδη αποφασίσει ότι θα γράψετε αλγόριθμους τεχνητής νοημοσύνης. Τότε πρέπει να ξεκινήσετε με την πιο δημοφιλή κατεύθυνση σήμερα - τη μηχανική μάθηση. Για να γίνει αυτό, πρέπει να γνωρίζετε τις κλασικές στατιστικές μεθόδους ταξινόμησης, ομαδοποίησης και παλινδρόμησης. Θα είναι επίσης χρήσιμο να εξοικειωθείτε με τα κύρια μέτρα για την αξιολόγηση της ποιότητας μιας λύσης, τις ιδιότητές τους... και ό,τι άλλο βρεθεί στο δρόμο σας.

Μόνο αφού η βάση έχει κατακτηθεί, αξίζει να μελετήσετε πιο εξειδικευμένες μεθόδους: δέντρα αποφάσεων και σύνολα από αυτά. Σε αυτό το στάδιο, θα πρέπει να βουτήξετε βαθιά στις βασικές μεθόδους κατασκευής και εκπαίδευσης μοντέλων - κρύβονται πίσω από τις ελάχιστα αξιοπρεπείς λέξεις που ζητιανεύουν, ενισχύουν, στοιβάζουν ή αναμειγνύονται.

Αξίζει επίσης να μάθετε για τις μεθόδους ελέγχου της επανεκπαίδευσης μοντέλων (άλλο ένα «ing» - υπερπροσαρμογή).

Και τέλος, ένα πολύ επίπεδο Jedi - απόκτηση εξαιρετικά εξειδικευμένων γνώσεων. Για παράδειγμα, η βαθιά εκμάθηση θα απαιτήσει γνώση των βασικών αρχιτεκτονικών και αλγορίθμων ντεγκραντέ. Εάν ενδιαφέρεστε για προβλήματα επεξεργασίας φυσικής γλώσσας, προτείνω να μελετήσετε τα επαναλαμβανόμενα νευρωνικά δίκτυα. Και οι μελλοντικοί δημιουργοί αλγορίθμων για την επεξεργασία εικόνων και βίντεο θα πρέπει να κοιτάξουν καλά τα συνελικτικά νευρωνικά δίκτυα.

Οι δύο τελευταίες δομές που αναφέρθηκαν είναι τα δομικά στοιχεία των δημοφιλών αρχιτεκτονικών σήμερα: τα αντίθετα δίκτυα (GANs), τα σχεσιακά δίκτυα και τα δίκτυα πλέγματος. Επομένως, θα είναι χρήσιμο να τα μελετήσετε, ακόμα κι αν δεν σκοπεύετε να διδάξετε στον υπολογιστή να βλέπει ή να ακούει.

Μια εντελώς διαφορετική προσέγγιση για τη μελέτη της τεχνητής νοημοσύνης - γνωστό και ως το «μπλε χάπι» - ξεκινά με το να βρεις τον εαυτό σου. Η τεχνητή νοημοσύνη δημιουργεί ένα σωρό εργασίες και ολόκληρα επαγγέλματα: από διαχειριστές έργων τεχνητής νοημοσύνης έως μηχανικούς δεδομένων ικανούς να προετοιμάσουν δεδομένα, να τα καθαρίσουν και να δημιουργήσουν επεκτάσιμα, φορτωμένα και ανεκτικά σε σφάλματα συστήματα.

Έτσι, με μια «διαχειριστική» προσέγγιση, θα πρέπει πρώτα να αξιολογήσετε τις ικανότητες και το υπόβαθρό σας και μόνο μετά να επιλέξετε πού και τι θα σπουδάσετε. Για παράδειγμα, ακόμη και χωρίς μαθηματικό μυαλό, μπορείτε να σχεδιάσετε διεπαφές AI και οπτικοποιήσεις για έξυπνους αλγόριθμους. Αλλά ετοιμαστείτε: σε 5 χρόνια, η τεχνητή νοημοσύνη θα αρχίσει να σας τρολάρει και να σας αποκαλεί «ανθρωπιστή».

Οι κύριες μέθοδοι ML υλοποιούνται με τη μορφή έτοιμων βιβλιοθηκών που είναι διαθέσιμες για σύνδεση διαφορετικές γλώσσες. Οι πιο δημοφιλείς γλώσσες στο ML σήμερα είναι: C++, Python και R.

Υπάρχουν πολλά μαθήματα τόσο στα ρωσικά όσο και στα αγγλικά, όπως τα μαθήματα Yandex School of Data Analysis, SkillFactory και OTUS. Αλλά προτού επενδύσετε χρόνο και χρήμα σε εξειδικευμένη εκπαίδευση, πιστεύω ότι αξίζει να «μπείτε στο θέμα»: παρακολουθήστε ανοιχτές διαλέξεις στο YouTube από συνέδρια του DataFest τα τελευταία χρόνια, παρακολουθήστε δωρεάν μαθήματα από το Coursera και το Habrahabr.