Արհեստական ​​ինտելեկտի ոլորտում նոր զարգացումների մասին լուրերը հայտնվում են նախանձելի հաճախականությամբ։ Այսպիսով, այս տարվա հունվարին Google-ը հայտարարեց Movidius-ի հետ համագործակցությամբ մեքենայական ուսուցման հնարավորություններով շարժական պրոցեսորներ ստեղծելու իր ծրագրերի մասին: Համագործակցության հայտարարված նպատակներն են՝ մեքենայական հետախուզության հնարավորությունները մարդկանց ձեռքի սարքերի միջոցով հաղորդելը: Իսկ փետրվարին MIT-ի ինժեներներն արդեն ներկայացրել են Eyeriss պրոցեսորը, որի շնորհիվ արհեստական ​​ինտելեկտը կարող է հայտնվել շարժական սարքերում։ Եվ դա այն ֆոնին, որ տարեցտարի աճում է արհեստական ​​ինտելեկտի համակարգերի զարգացման ներդրումների ծավալը։

Ամեն ինչ հուշում է, որ շուտով արհեստական ​​ինտելեկտը կներթափանցի մեր սմարթֆոնները, որոնք զգալիորեն ավելի խելացի կդառնան։ Այսինքն մենք հեռու չե՞նք մեքենաների ընդվզումից։ Որքա՞ն ավելի խելացի պետք է դառնան մեքենաները՝ մարդկանց վրա իշխանություն վերցնելու համար: Իսկ որքանո՞վ է դա իրական։

Արհեստական ​​բանականություն մեկ, արհեստական ​​բանականություն երկու, արհեստական ​​բանականություն երեք

Երբ մենք կարդում կամ լսում ենք արհեստական ​​ինտելեկտի մասին, մեզանից շատերը պատկերացնում են SkyNet-ը և հայտնի Terminator ֆիլմի մեքենաները: Ի՞նչ նկատի ունեն հետազոտողները և մշակողները այս հայեցակարգով:

Գոյություն ունեն AI-ի երեք տեսակ, որոնք մենք պետք է կամ գուցե ստիպված լինենք ստեղծել.

Նեղ թիրախավորված արհեստական ​​ինտելեկտը. Սա հենց այն է, ինչ մենք կստանանք մեր նոր սմարթֆոններում մոտ ապագայում։ Նման բանականությունը որոշակի գործողություններում կամ գործողություններում գերազանցում է մարդկային բանականությանը: Բարձր նպատակաուղղված արհեստական ​​ինտելեկտով համակարգիչը կարող է հաղթել շախմատի աշխարհի չեմպիոնին, կայանել մեքենան կամ ընտրել առավել համապատասխան արդյունքները որոնման համակարգում:

Նման արհեստական ​​ինտելեկտի ուժը կայանում է պրոցեսորների հաշվողական հնարավորությունների մեջ: Որքան մեծ են այդ հնարավորությունները, այնքան ավելի արդյունավետ են լուծվում հանձնարարված խնդիրները։ Իսկ պրոցեսորի հզորության բարձրացմամբ այժմ խնդիրներ չկան։ Նեղ կենտրոնացված AI-ն, արհեստական ​​ինտելեկտի փիլիսոփայության մեջ (այդպիսի բան կա) կոչվում է թույլ։

Սակայն միայն հաշվողական հնարավորությունները, ըստ գիտնականների, բավարար չեն իսկապես խելացի մեքենաներ ստեղծելու համար: Թեև թույլ արհեստական ​​ինտելեկտի ինքնաբուխ անցման ֆիկտիվ դեպքն էր ուժեղին, որը հիմք հանդիսացավ Տերմինատորի ֆիլմերի սցենարի համար: ԱՄՆ պաշտպանության նախարարության «SkyNet» սուպերհամակարգիչը, որը նախատեսված է հակահրթիռային պաշտպանության համակարգը կառավարելու համար, գիտակցության է գալիս և սկսում է ինքնուրույն որոշումներ կայացնել։

Ընդհանուր արհեստական ​​բանականություն. Եթե ​​մենք արդեն ստեղծել ենք նեղ նպատակաուղղված AI համակարգեր և գտել ենք դրանց համար գործնական կիրառություններ, ապա General AI-ի դեպքում ամեն ինչ շատ ավելի բարդ է։ AI-ի այս տեսակն արդեն մարդկային մակարդակի հետախուզություն է: Այն ունիվերսալ է և ունակ է կատարել նույն ինտելեկտուալ գործողությունները, ինչ մարդկային ուղեղը:

Եթե ​​մեր կյանքի ընթացքում տեսնենք լիովին մարդանման ռոբոտներ, նրանք կունենան հենց այս տեսակի ինտելեկտը: Հիշեք անդրոիդ Էնդրյուին Քրիս Կոլումբոսի Bicentennial Man ֆիլմից: Նման AI-ով ռոբոտները կկարողանան ինքնուրույն սովորել, մտածել և որոշումներ կայացնել, ինչպես մարդիկ։ Նրանք կկարողանան հարաբերություններ հաստատել շրջապատի մարդկանց հետ՝ դառնալով ընկերներ ու օգնականներ։ Հենց այս տեսակի արհեստական ​​ինտելեկտն է կոչվում ուժեղ։

Սակայն ուժեղ և թույլ արհեստական ​​ինտելեկտի միջև անջրպետ կա: Մեկից մյուսին անցնելու համար բավական չէ մեծացնել համակարգիչների հաշվողական հզորությունը, պետք է նաեւ նրանց խելք տալ։ Գիտնականները դա անելու հստակ ճանապարհ դեռ չեն տեսել:

Արհեստական ​​գերհետախուզություն. Արհեստական ​​ինտելեկտի այս տեսակն է, որ մեծ ուշադրություն է գրավում։ Հիմնականում այն ​​պատճառով, որ դրա ստեղծման հնարավորությունը շատ գիտնականների կողմից ընկալվում է որպես մարդկության համար վտանգ: SkyNet-ը նման սպառնալիքի օրինակ է։

Գերհետախուզությունն ավելի խելացի կլինի, քան մարդկանցից որևէ մեկը: Գրեթե բոլոր բնագավառներում նա գերազանցելու է մարդուն: Կկարողանա լուծել բարդ խնդիրներ և կատարել գիտական ​​բացահայտումներ: Ինչպե՞ս կվարվի խելացի մեքենան մարդկության հետ կապված:

Գիտնականներն առաջարկում են փոխազդեցության երեք մոդել.

Oracle- Ցանկացած բարդ հարցի պատասխան կարող ենք ստանալ։

Ջին- նա ինքը կանի այն ամենը, ինչ մեզ պետք է, դրա համար օգտագործելով առնվազն մոլեկուլային հավաքիչ, նույնիսկ առանց մարդու միջամտության գործող ռոբոտային լաբորատորիաներ և գործարաններ:

Ինքնիշխան-Ինքը խնդիրը կգտնի ու ինքը կլուծի։

Ինչպես տեսնում եք, «արհեստական ​​ինտելեկտ» տերմինը պարունակում է արհեստական ​​ինտելեկտի գոյության երեք ձև. Եվ նրանց տարբերությունները միմյանցից էական են, ինչպես նաև մի AI-ից մյուսին անցման հետևանքները: Կարո՞ղ ենք որոշել խելացի մեքենաների ինտելեկտի մակարդակը, որպեսզի հասկանանք, թե ում հետ գործ ունենք:

Ինչպե՞ս չափել արհեստական ​​ինտելեկտը:

Մարդիկ միմյանցից տարբերվում են իրենց ինտելեկտի մակարդակով։ Այն քանակականացնելու համար օգտագործվում են հատուկ թեստեր: IQ թեստը շատերին է հայտնի։ Ինչպե՞ս է չափվում մեքենաների հետախուզությունը:

Եթե ​​մենք ոչ քննադատաբար մոտենանք լրատվամիջոցների հաղորդագրություններին, ապա ժամանակակից մեքենաների ինտելեկտուալ մակարդակը տատանվում է 4-ամյա երեխայի և 13-ամյա դեռահասի IQ-ի միջև: Այս երկու թվերը ցույց են տալիս մեքենայի հետախուզությունը չափելու երկու մոտեցում:

2015 թվականին Իլինոյսից գիտնականների թիմը փորձարկել է Մասաչուսեթսի տեխնոլոգիական ինստիտուտում ստեղծված ConceptNet արհեստական ​​ինտելեկտի համակարգը՝ օգտագործելով IQ ստանդարտ թեստը 2,5-ից 7 տարեկան երեխաների համար: Մեքենայի արդյունքները համապատասխանում էին չորս տարեկան երեխայի միջին աշխատանքին:

Մարդկանց համար նախատեսված թեստերի կիրառումից բացի, լայնորեն հայտնի է և օգտագործվում է մեքենաների համար նախատեսված հատուկ թեստը: Թյուրինգի թեստը նախատեսված է որոշելու, թե արդյոք մեքենան կարող է մտածել:

Թեստը հետևյալն է. Մեկ մարդ՝ դատավորը, շփվում է երկու զրուցակիցների հետ, որոնց չի տեսնում։ Բոլոր փոխազդեցությունն իրականացվում է նամակագրության միջոցով՝ օգտագործելով միջնորդ համակարգիչ: Զրուցակիցներից մեկը մարդ է, իսկ մյուսը՝ համակարգչային ծրագիր, որը ներկայանում է որպես մարդ։ Եթե ​​դատավորը չի կարող միանշանակ ասել, թե իր զրուցակիցներից ով է ծրագիրը, ապա մեքենան համարվում է թեստը հանձնած։

Մինչ օրս Թյուրինգի թեստը միայն մեկ անգամ է անցել։ 2014 թվականին Eugene Goostman ծրագիրը, որը նմանակում էր 13-ամյա դեռահասին, որը մշակողների կողմից անվանվում էր Ժենյա Գուստման, կարողացավ մոլորեցնել դատավորներին և անձնավորել անձին:

Այնուամենայնիվ, նման թեստերի վերաբերյալ շատ առարկություններ կան: Ե՛վ համակարգիչները, և՛ նրանց ծրագրերն այսօր թույլ, նեղ կենտրոնացված արհեստական ​​ինտելեկտի կրողներ են: Նման բանականությունը կարող է ընդօրինակել միայն թեստը հանձնողին:

Ամեն ինչ կփոխվի, երբ թույլ արհեստական ​​ինտելեկտից անցնենք ուժեղի: Ընդհանուր արհեստական ​​ինտելեկտով օժտված մեքենան, որը նման կլինի մարդու բանականությանը, արդեն կունենա գիտակցություն և ինքնագիտակցություն, հետևաբար՝ կմտածի։ Նման համակարգիչը կանցնի ստանդարտ IQ թեստ՝ հարցերին պատասխանելով գիտակցաբար, ինչպես մարդը:

Մարդու IQ-ն տատանվում է 85-ից մինչև 130: Նույն ցուցանիշները հասանելի կլինեն ընդհանուր AI-ի համար: Բայց արհեստական ​​գերհետախուզության IQ-ի վերին մակարդակը սահմանափակումներ չի ունենա։ Այն կարող է լինել 1000 կամ 10000: Ի՞նչ է մեզ սպասում, երբ AI-ն բարելավվի:

Համակարգիչների գյուտից ի վեր՝ տարբեր առաջադրանքներ կատարելու նրանց կարողությունը շարունակել է երկրաչափական աճ: Մարդիկ զարգացնում են համակարգչային համակարգերի հզորությունը՝ մեծացնելով առաջադրանքները և կրճատելով համակարգիչների չափը: Արհեստական ​​ինտելեկտի ոլորտում հետազոտողների հիմնական նպատակը մարդկանց պես խելացի համակարգիչներ կամ մեքենաներ ստեղծելն է։

«Արհեստական ​​ինտելեկտ» տերմինի սկզբնավորողը Lisp լեզվի գյուտարար, ֆունկցիոնալ ծրագրավորման հիմնադիր և Թյուրինգ մրցանակի դափնեկիր Ջոն Մաքքարթին է՝ արհեստական ​​ինտելեկտի հետազոտության ոլորտում իր հսկայական ներդրման համար:

Արհեստական ​​ինտելեկտը համակարգիչ, համակարգչով կառավարվող ռոբոտ կամ ծրագիր ստեղծելու միջոց է, որը ունակ է մարդու նման խելացի մտածել:

Արհեստական ​​ինտելեկտի ոլորտում հետազոտություններն իրականացվում են մարդու մտավոր ունակությունների ուսումնասիրությամբ, այնուհետև այս հետազոտության արդյունքներն օգտագործվում են որպես խելացի ծրագրերի և համակարգերի մշակման հիմք։

AI փիլիսոփայություն

Հզոր համակարգչային համակարգեր աշխատելիս բոլորը հարցնում էին. «Կարո՞ղ է արդյոք մեքենան մտածել և վարվել նույն կերպ, ինչ մարդը»: «

Այսպիսով, AI-ի զարգացումը սկսվեց մեքենաներում նմանատիպ բանականություն ստեղծելու մտադրությամբ, որը նման է մարդկային բանականությանը:

AI-ի հիմնական նպատակները

• Փորձագիտական ​​համակարգերի ստեղծում՝ խելացի վարք դրսևորող համակարգեր. սովորել, ցույց տալ, բացատրել և խորհուրդներ տալ;
• Մեքենաներում մարդու ինտելեկտի ներդրումը մեքենայի ստեղծումն է, որն ընդունակ է հասկանալու, մտածելու, սովորեցնելու և մարդու նման վարվելուն:

Ի՞նչն է խթանում AI-ի զարգացումը:

Արհեստական ​​ինտելեկտը գիտություն և տեխնոլոգիա է, որը հիմնված է այնպիսի առարկաների վրա, ինչպիսիք են համակարգչային գիտությունը, կենսաբանությունը, հոգեբանությունը, լեզվաբանությունը, մաթեմատիկան և մեքենաշինությունը: Արհեստական ​​ինտելեկտի հիմնական ոլորտներից է մարդու ինտելեկտի հետ կապված համակարգչային գործառույթների զարգացումը, ինչպիսիք են դատողությունը, սովորելը և խնդիրների լուծումը:

Ծրագիր AI-ով և առանց AI-ի

AI-ով և առանց AI-ի ծրագրերը տարբերվում են հետևյալ հատկանիշներով.

AI հավելվածներ

AI-ն գերիշխող է դարձել տարբեր ոլորտներում, ինչպիսիք են.

Խաղեր - AI-ն որոշիչ դեր է խաղում ռազմավարության հետ կապված խաղերում, ինչպիսիք են շախմատը, պոկերը, տիկ-տակ-թաթը և այլն, որտեղ համակարգիչը ի վիճակի է հաշվարկել մեծ թվով տարբեր որոշումներ՝ հիմնվելով էվրիստիկ գիտելիքների վրա:

Բնական լեզվի մշակումը համակարգչի հետ հաղորդակցվելու ունակություն է, որը հասկանում է մարդկանց կողմից խոսվող բնական լեզուն:

Խոսքի ճանաչում. որոշ խելացի համակարգեր կարողանում են լսել և հասկանալ այն լեզուն, որով մարդը շփվում է նրանց հետ: Նրանք կարողանում են տարբեր շեշտադրումներ, ժարգոններ և այլն:

Ձեռագրի ճանաչում - ծրագրաշարը գրիչով կարդում է թղթի վրա գրված տեքստը կամ գրիչով էկրանին: Այն կարող է ճանաչել տառերի ձևերը և այն վերածել խմբագրվող տեքստի:

Խելացի ռոբոտները ռոբոտներ են, որոնք ունակ են կատարել մարդկանց հանձնարարված խնդիրները: Նրանք ունեն սենսորներ իրական աշխարհից ֆիզիկական տվյալներ հայտնաբերելու համար, ինչպիսիք են լույսը, ջերմությունը, շարժումը, ձայնը, ցնցումը և ճնշումը: Նրանք ունեն բարձր արդյունավետության պրոցեսորներ, բազմաթիվ սենսորներ և հսկայական հիշողություն: Բացի այդ, նրանք կարողանում են դասեր քաղել սեփական սխալներից և հարմարվել նոր միջավայրին։

AI զարգացման պատմություն

Ահա 20-րդ դարում AI-ի զարգացման պատմությունը

Այս տարի Yandex-ը գործարկել է Alice ձայնային օգնականը։ Նոր ծառայությունը թույլ է տալիս օգտվողին լսել նորություններ և եղանակ, ստանալ հարցերի պատասխաններ և պարզապես շփվել բոտի հետ։ «Ալիս» երբեմն նա ինքնահավան է դառնում, երբեմն թվում է գրեթե ողջամիտ և մարդկայնորեն հեգնական, բայց հաճախ չի կարողանում հասկանալ, թե ինչի մասին են իրեն հարցնում և հայտնվում է ջրափոսում:

Այս ամենը ոչ միայն կատակների ալիքի տեղիք տվեց, այլեւ արհեստական ​​ինտելեկտի զարգացման շուրջ քննարկումների նոր փուլի։ Նորություններն այն մասին, թե ինչի են հասել խելացի ալգորիթմները, այսօր գալիս են գրեթե ամեն օր, և մեքենայական ուսուցումը կոչվում է ամենահեռանկարային ոլորտներից մեկը, որին կարող եք նվիրվել:

Արհեստական ​​ինտելեկտի մասին հիմնական հարցերը պարզաբանելու համար զրուցեցինք արհեստական ​​բանականության և մեքենայական ուսուցման մեթոդների մասնագետ, SmarThink հայրենական շախմատային ամենահզոր ծրագրերից մեկի հեղինակ և XXII Century նախագծի ստեղծող Սերգեյ Մարկովի հետ։

Սերգեյ Մարկով,

արհեստական ​​ինտելեկտի մասնագետ

Արհեստական ​​ինտելեկտի մասին առասպելների ոչնչացում

ուրեմն ի՞նչ է «արհեստական ​​ինտելեկտը»:

«Արհեստական ​​ինտելեկտ» հասկացությունը որոշ չափով անհաջող է եղել։ Ի սկզբանե ծագելով գիտական ​​հանրությունից՝ այն ի վերջո ներթափանցեց ֆանտաստիկ գրականություն, իսկ դրա միջոցով՝ փոփ մշակույթ, որտեղ մի շարք փոփոխությունների ենթարկվեց, ձեռք բերեց բազմաթիվ մեկնաբանություններ և, ի վերջո, ամբողջովին առեղծվածային։

Ահա թե ինչու ոչ մասնագետներից հաճախ ենք լսում այսպիսի հայտարարություններ՝ «AI-ն գոյություն չունի», «AI-ն չի կարող ստեղծվել»։ AI հետազոտության բնույթի թյուրըմբռնումը մարդկանց հեշտությամբ տանում է այլ ծայրահեղությունների. օրինակ, ժամանակակից AI համակարգերը վերագրվում են գիտակցության, ազատ կամքի և գաղտնի շարժառիթների առկայությանը:

Փորձենք ճանճերն առանձնացնել կոտլետներից։

Գիտության մեջ արհեստական ​​ինտելեկտը վերաբերում է համակարգերին, որոնք նախատեսված են ինտելեկտուալ խնդիրները լուծելու համար:

Իր հերթին, ինտելեկտուալ առաջադրանքը խնդիր է, որը մարդիկ լուծում են՝ օգտագործելով իրենց սեփական խելքը: Նկատի ունեցեք, որ այս դեպքում փորձագետները միտումնավոր խուսափում են «հետախուզություն» հասկացությունը սահմանելուց, քանի որ մինչև AI համակարգերի ի հայտ գալը բանականության միակ օրինակը մարդկային բանականությունն էր, և մեկ օրինակի վրա հիմնված հետախուզության հասկացությունը սահմանելը նույնն է, ինչ փորձելը. մեկ կետով ուղիղ գիծ գծել. Նման տողերի քանակը կարող է լինել ցանկացած, ինչը նշանակում է, որ բանավեճը բանավեճի հայեցակարգի շուրջ կարող է տևել դարեր:

«ուժեղ» և «թույլ» արհեստական ​​ինտելեկտ

AI համակարգերը բաժանված են երկու մեծ խմբի.

Կիրառական արհեստական ​​բանականություն(օգտագործվում է նաև «թույլ AI» կամ «նեղ AI» տերմինը, անգլիական ավանդույթի համաձայն՝ թույլ/կիրառական/նեղ AI) AI-ն նախատեսված է ցանկացած ինտելեկտուալ խնդիր կամ դրանց մի փոքր շարք լուծելու համար: Այս դասը ներառում է շախմատ խաղալու, Go, պատկերների ճանաչման, խոսքի, բանկային վարկ տրամադրելու կամ չտրամադրելու վերաբերյալ որոշումներ կայացնելու համակարգեր և այլն։

Ի տարբերություն կիրառական AI-ի՝ հայեցակարգը ներդրված է ունիվերսալ արհեստական ​​բանականություն(նաև «ուժեղ AI», անգլերեն՝ ուժեղ AI/Artificial General Intelligence) - այսինքն՝ հիպոթետիկ (առայժմ) AI, որը կարող է լուծել ցանկացած ինտելեկտուալ խնդիր:

Հաճախ մարդիկ, առանց տերմինաբանության իմանալու, AI-ն նույնացնում են ուժեղ AI-ի հետ, ինչի պատճառով դատողություններն առաջանում են «AI-ն գոյություն չունի» ոգով:

Ուժեղ AI-ն իսկապես դեռ գոյություն չունի: Գրեթե բոլոր առաջընթացները, որոնք մենք տեսել ենք AI-ի վերջին տասնամյակում, առաջընթաց են կիրառական համակարգերում: Այս հաջողությունները չպետք է թերագնահատվեն, քանի որ կիրառական համակարգերը որոշ դեպքերում ունակ են ավելի լավ լուծել ինտելեկտուալ խնդիրները, քան համընդհանուր մարդկային բանականությունը:

Կարծում եմ, դուք նկատել եք, որ AI հասկացությունը բավականին լայն է: Ասենք, մտավոր հաշվարկը նույնպես ինտելեկտուալ խնդիր է, իսկ դա նշանակում է, որ ցանկացած հաշվիչ մեքենա համարվելու է AI համակարգ։ Ինչ վերաբերում է օրինագծերին: Աբակա՞ս։ Անտիկիթերայի մեխանիզմը. Իրոք, այս բոլորը ֆորմալ, թեև պարզունակ, AI համակարգեր են: Այնուամենայնիվ, սովորաբար, համակարգը անվանելով AI համակարգ, մենք դրանով ընդգծում ենք այս համակարգի կողմից լուծված խնդրի բարդությունը:

Միանգամայն ակնհայտ է, որ ինտելեկտուալ առաջադրանքների բաժանումը պարզի և բարդի շատ արհեստական ​​է, և որոշակի խնդիրների բարդության մասին մեր պատկերացումներն աստիճանաբար փոխվում են։ Մեխանիկական հաշվիչ մեքենան 17-րդ դարում տեխնոլոգիայի հրաշք էր, սակայն այսօր այն մարդիկ, ովքեր մանկուց ենթարկվել են շատ ավելի բարդ մեխանիզմների, այլևս չեն կարողանում տպավորվել դրանով։ Երբ Go-ով նվագող մեքենաները կամ ինքնակառավարվող մեքենաները դադարեն զարմացնել հանրությանը, հավանաբար կգտնվեն մարդիկ, ովքեր կզզվեն, քանի որ ինչ-որ մեկը կդասակարգի նման համակարգերը որպես AI:

«Գերազանց ռոբոտներ». AI-ի սովորելու կարողությունների մասին

Մեկ այլ զվարճալի սխալ պատկերացում այն ​​է, որ AI համակարգերը պետք է ունենան ինքնուրույն սովորելու ունակություն: Մի կողմից, սա արհեստական ​​ինտելեկտի համակարգերի պարտադիր հատկությունը չէ. կան շատ զարմանալի համակարգեր, որոնք ունակ չեն ինքնուրույն սովորելու, բայց, այնուամենայնիվ, շատ խնդիրներ ավելի լավ են լուծում, քան մարդու ուղեղը։ Մյուս կողմից, որոշ մարդիկ պարզապես չգիտեն, որ ինքնուրույն ուսուցումը հատկություն է, որը շատ AI համակարգեր ձեռք են բերել ավելի քան հիսուն տարի առաջ:

Երբ ես գրեցի իմ առաջին շախմատային ծրագիրը 1999թ.-ին, ինքնուսուցումն արդեն միանգամայն սովորական տեղ էր այս ոլորտում. ծրագրերը կարող էին հիշել վտանգավոր դիրքերը, հարմարեցնել բացման տատանումները՝ հարմարեցնելով իրենց և կարգավորել խաղաոճը՝ հարմարվելով հակառակորդին: Իհարկե, այդ հաղորդումները դեռ շատ հեռու էին Alpha Zero-ից։ Այնուամենայնիվ, նույնիսկ համակարգեր, որոնք սովորել են վարքագիծ՝ հիմնված այսպես կոչված «ուժեղացման ուսուցման» փորձերի միջոցով այլ համակարգերի հետ փոխազդեցությունների վրա: Այնուամենայնիվ, ինչ-որ անհասկանալի պատճառով, ոմանք դեռ կարծում են, որ ինքնուրույն սովորելու ունակությունը մարդկային բանականության արտոնությունն է:

Մեքենայական ուսուցումը, մի ամբողջ գիտական ​​դիսցիպլին, զբաղվում է որոշակի խնդիրներ լուծելու համար մեքենաների ուսուցման գործընթացներով:

Գոյություն ունեն մեքենայական ուսուցման երկու մեծ բևեռներ՝ վերահսկվող ուսուցում և չվերահսկվող ուսուցում:

ժամը վերապատրաստում ուսուցչի հետմեքենան արդեն ունի որոշակի քանակությամբ պայմանականորեն ճիշտ լուծումներ որոշակի դեպքերի համար: Վերապատրաստման խնդիրն այս դեպքում մեքենային սովորեցնելն է, հիմնվելով առկա օրինակների վրա, ճիշտ որոշումներ կայացնել այլ, անհայտ իրավիճակներում:

Մյուս ծայրահեղությունն է սովորել առանց ուսուցչի. Այսինքն՝ մեքենան տեղադրվում է մի իրավիճակում, երբ ճիշտ որոշումներն անհայտ են, հասանելի են միայն տվյալները՝ չմշակված, առանց պիտակավորման: Ստացվում է, որ նման դեպքերում կարելի է հասնել որոշակի հաջողությունների։ Օրինակ՝ դուք կարող եք մեքենային սովորեցնել լեզվի բառերի միջև իմաստային հարաբերությունները բացահայտել՝ հիմնվելով տեքստերի շատ մեծ հավաքածուի վերլուծության վրա:

Վերահսկվող ուսուցման տեսակներից մեկը ուժեղացման ուսուցումն է: Գաղափարն այն է, որ AI համակարգը գործում է որպես գործակալ, որը տեղադրված է ինչ-որ մոդելավորված միջավայրում, որտեղ այն կարող է փոխազդել այլ գործակալների հետ, օրինակ՝ իր պատճենների հետ և ստանալ որոշակի արձագանք շրջակա միջավայրից՝ պարգևատրման ֆունկցիայի միջոցով: Օրինակ՝ շախմատային ծրագիր, որը խաղում է իր հետ՝ աստիճանաբար կարգավորելով իր պարամետրերը և դրանով իսկ աստիճանաբար ուժեղացնելով սեփական խաղը։

Ուժեղացման ուսուցումը բավականին լայն ոլորտ է, որտեղ օգտագործվում են բազմաթիվ հետաքրքիր տեխնիկաներ՝ սկսած էվոլյուցիոն ալգորիթմներից մինչև Բայեսյան օպտիմալացում: Խաղերի համար AI-ի վերջին ձեռքբերումներն ուղղված են AI-ի ընդլայնմանը ուժեղացման ուսուցման միջոցով:

Տեխնոլոգիաների զարգացման ռիսկերը. պետք է վախենա՞նք «Ահեղ դատաստանից».

Ես արհեստական ​​ինտելեկտի ահազանգողներից չեմ, և այս առումով ես ոչ մի կերպ մենակ չեմ: Օրինակ, մեքենայական ուսուցման վերաբերյալ Ստենֆորդի դասընթացի հեղինակ Էնդրյու Նգը համեմատում է AI-ի վտանգի խնդիրը Մարսի գերբնակեցման խնդրի հետ։

Իսկապես, հավանական է, որ ապագայում մարդիկ գաղութացնեն Մարսը: Հավանական է նաև, որ վաղ թե ուշ Մարսի վրա գերբնակեցման խնդիր կարող է առաջանալ, բայց լիովին պարզ չէ, թե ինչու պետք է հիմա զբաղվենք այս խնդրի հետ: Կոնվոլյուցիոն նեյրոնային ցանցերի ստեղծող Յան Լեկունը և նրա ղեկավար Մարկ Ցուկերբերգը և Յոշուա Բենյոն, մի մարդ, ում հետազոտության շնորհիվ ժամանակակից նեյրոնային ցանցերը կարողանում են լուծել բարդ խնդիրներ տեքստի մշակման ոլորտում, համաձայն են Նգ.

Այս խնդրի վերաբերյալ իմ տեսակետները ներկայացնելու համար հավանաբար մի քանի ժամ կպահանջվի, ուստի կկենտրոնանամ միայն հիմնական կետերի վրա։

1. ԴՈՒ ՉԵՔ ԿԱՐՈՂ ՍԱՀՄԱՆԱՓԱԿԵԼ AI-ի ԶԱՐԳԱՑՈՒՄԸ

Ահազանգողները հաշվի են առնում AI-ի պոտենցիալ կործանարար ազդեցության հետ կապված ռիսկերը, մինչդեռ անտեսում են այս ոլորտում առաջընթացը սահմանափակելու կամ նույնիսկ դադարեցնելու փորձի հետ կապված ռիսկերը: Մարդկության տեխնոլոգիական հզորությունը մեծանում է չափազանց արագ տեմպերով, ինչը հանգեցնում է մի էֆեկտի, որը ես անվանում եմ «ապոկալիպսիսի էժանացում»:

150 տարի առաջ մարդկությունն ամբողջ ցանկությամբ չէր կարող անուղղելի վնաս հասցնել ո՛չ կենսոլորտին, ո՛չ ինքն իրեն՝ որպես տեսակ։ 50 տարի առաջ աղետալի սցենարն իրականացնելու համար անհրաժեշտ կլիներ կենտրոնացնել միջուկային տերությունների ողջ տեխնոլոգիական հզորությունը։ Վաղը մի փոքր բուռ մոլեռանդները կարող են բավարար լինել համաշխարհային տեխնածին աղետի պատճառ դառնալու համար:

Մեր տեխնոլոգիական հզորությունը շատ ավելի արագ է աճում, քան մարդկային բանականության կարողությունը՝ կառավարելու այս ուժը:

Եթե ​​մարդկային բանականությունը՝ իր նախապաշարմունքներով, ագրեսիվությամբ, մոլորություններով և սահմանափակումներով, չփոխարինվի ավելի լավ որոշումներ կայացնելու ունակ համակարգով (արդյոք արհեստական ​​ինտելեկտը կամ, իմ կարծիքով, ավելի հավանական է, մարդկային բանականությունը՝ տեխնոլոգիապես բարելավված և մեքենաների հետ զուգակցված մեկ համակարգում): , մենք կարող ենք սպասել համաշխարհային աղետի։

2. Գերհետախուզություն ստեղծելը սկզբունքորեն անհնար է

Գոյություն ունի գաղափար, որ ապագայի արհեստական ​​ինտելեկտը, անշուշտ, կլինի գերհետախուզություն, որը գերազանցում է մարդկանց նույնիսկ ավելին, քան մարդիկ՝ մրջյուններից: Այս դեպքում ես վախենում եմ հիասթափեցնել նաև տեխնոլոգիական լավատեսներին. մեր Տիեզերքը պարունակում է մի շարք հիմնարար ֆիզիկական սահմանափակումներ, որոնք, ըստ երևույթին, անհնարին կդարձնեն գերհետախուզության ստեղծումը:

Օրինակ, ազդանշանի փոխանցման արագությունը սահմանափակվում է լույսի արագությամբ, իսկ Պլանկի սանդղակի դեպքում հայտնվում է Հայզենբերգի անորոշությունը։ Սա հանգեցնում է առաջին հիմնարար սահմանին՝ Բրեմերմանի սահմանին, որը սահմանափակումներ է մտցնում հաշվարկների առավելագույն արագության վրա տվյալ զանգվածի m ինքնավար համակարգի համար։

Մեկ այլ սահմանափակում կապված է Լանդաուերի սկզբունքի հետ, ըստ որի 1 բիթ տեղեկատվության մշակման ժամանակ առաջանում է նվազագույն ջերմություն։ Չափազանց արագ հաշվարկները կհանգեցնեն համակարգի անընդունելի ջեռուցման և ոչնչացման: Փաստորեն, ժամանակակից պրոցեսորները հազար անգամ պակաս են Landauer-ի սահմանաչափից: Թվում է, թե 1000-ը բավականին շատ է, բայց մեկ այլ խնդիր այն է, որ շատ ինտելեկտուալ առաջադրանքներ պատկանում են EXPTIME դժվարության դասին: Սա նշանակում է, որ դրանք լուծելու համար պահանջվող ժամանակը խնդրի չափի էքսպոնենցիոնալ ֆունկցիա է։ Համակարգը մի քանի անգամ արագացնելը միայն «խելացիության» մշտական ​​աճ է տալիս։

Ընդհանրապես, շատ լուրջ պատճառներ կան ենթադրելու, որ գերխելացի ուժեղ AI-ն չի ստացվի, թեև, իհարկե, մարդկային ինտելեկտի մակարդակը կարող է գերազանցել: Որքանո՞վ է սա վտանգավոր: Ամենայն հավանականությամբ՝ ոչ շատ։

Պատկերացրեք, որ դուք հանկարծ սկսել եք մտածել 100 անգամ ավելի արագ, քան մյուս մարդիկ: Արդյո՞ք սա նշանակում է, որ դուք հեշտությամբ կկարողանաք համոզել ցանկացած անցորդի ձեզ տալ իր դրամապանակը:

3. մեզ անհանգստացնում է սխալ բաները

Ցավոք, «Տերմինատորի» և Քլարկի և Կուբրիկի հայտնի HAL 9000-ի մասին հանրության վախերի մասին ահազանգողների շահարկումների արդյունքում, արհեստական ​​ինտելեկտի անվտանգության ոլորտում շեշտը տեղի է ունենում դեպի անհավանականի վերլուծություն: , բայց արդյունավետ սցենարներ։ Միևնույն ժամանակ, իրական վտանգները անտեսվում են:

Ցանկացած բավական բարդ տեխնոլոգիա, որը հավակնում է կարևոր տեղ զբաղեցնել մեր տեխնոլոգիական լանդշաֆտում, անշուշտ իր հետ բերում է հատուկ ռիսկեր։ Շատ կյանքեր ոչնչացվել են գոլորշու շարժիչների պատճառով՝ արտադրությունում, տրանսպորտում և այլն, մինչև արդյունավետ կանոնակարգերի և անվտանգության միջոցների մշակումը:

Եթե ​​խոսենք կիրառական արհեստական ​​ինտելեկտի ոլորտում առաջընթացի մասին, ապա կարելի է ուշադրություն դարձնել այսպես կոչված «Թվային գաղտնի դատարանի» հետ կապված խնդրին։ AI-ի ավելի ու ավելի շատ հավելվածներ որոշումներ են կայացնում մարդկանց կյանքի և առողջության վրա ազդող խնդիրների վերաբերյալ: Սա ներառում է բժշկական ախտորոշիչ համակարգեր և, օրինակ, համակարգեր, որոնք որոշումներ են կայացնում բանկերում հաճախորդին վարկ տրամադրելու կամ չտրամադրելու վերաբերյալ:

Միևնույն ժամանակ, օգտագործվող մոդելների կառուցվածքը, օգտագործվող գործոնների հավաքածուն և որոշումների ընդունման ընթացակարգի այլ մանրամասները թաքցվում են որպես առևտրային գաղտնիք այն անձից, ում ճակատագիրը վտանգված է:

Օգտագործված մոդելները կարող են իրենց որոշումները հիմնել փորձագետ ուսուցիչների կարծիքների վրա, որոնք թույլ են տվել համակարգված սխալներ կամ ունեցել են որոշակի նախապաշարումներ՝ ռասայական, սեռային:

Նման փորձագետների որոշումների վրա վերապատրաստված արհեստական ​​ինտելեկտը հավատարմորեն կվերարտադրի այդ կողմնակալությունն իր որոշումներում: Ի վերջո, այս մոդելները կարող են պարունակել կոնկրետ թերություններ:

Քչերն են այժմ զբաղվում այս խնդիրներով, քանի որ, իհարկե, միջուկային պատերազմ սկսելը SkyNet-ը, իհարկե, շատ ավելի տպավորիչ է։

Նյարդային ցանցերը որպես «թեժ միտում»

Մի կողմից, նեյրոնային ցանցերը ամենահին մոդելներից են, որոնք օգտագործվում են AI համակարգեր ստեղծելու համար: Սկզբում հայտնվելով բիոնիկ մոտեցման արդյունքում՝ նրանք արագորեն փախան իրենց կենսաբանական նախատիպերից։ Միակ բացառությունն այստեղ իմպուլսային նեյրոնային ցանցերն են (սակայն, դրանք դեռ լայն կիրառություն չեն գտել արդյունաբերության մեջ)։

Վերջին տասնամյակների առաջընթացը կապված է խորը ուսուցման տեխնոլոգիաների զարգացման հետ. մի մոտեցում, որում նեյրոնային ցանցերը հավաքվում են մեծ թվով շերտերից, որոնցից յուրաքանչյուրը կառուցված է որոշակի կանոնավոր օրինաչափությունների հիման վրա:

Բացի նեյրոնային ցանցերի նոր մոդելների ստեղծումից, կարևոր առաջընթաց է գրանցվել նաև ուսուցման տեխնոլոգիաների ոլորտում։ Այսօր նեյրոնային ցանցերն այլևս չեն ուսուցանում համակարգչային կենտրոնական պրոցեսորների միջոցով, այլ օգտագործելով մասնագիտացված պրոցեսորներ, որոնք ունակ են արագ կատարել մատրիցային և տենզորի հաշվարկներ: Այսօր նման սարքերի ամենատարածված տեսակը վիդեո քարտերն են: Այնուամենայնիվ, ակտիվորեն ընթանում է նեյրոնային ցանցերի ուսուցման համար էլ ավելի մասնագիտացված սարքերի մշակումը։

Ընդհանուր առմամբ, իհարկե, նեյրոնային ցանցերն այսօր մեքենայական ուսուցման ոլորտում հիմնական տեխնոլոգիաներից են, որին մենք պարտական ​​ենք նախկինում անբավարար լուծված բազմաթիվ խնդիրների լուծումը։ Մյուս կողմից, իհարկե, պետք է հասկանալ, որ նեյրոնային ցանցերը համադարման չեն: Որոշ առաջադրանքների համար դրանք հեռու են ամենաարդյունավետ գործիքից:

Այսպիսով, իրականում որքանո՞վ են խելացի այսօրվա ռոբոտները:

Ամեն ինչ հարաբերական է։ 2000 թվականի տեխնոլոգիայի համեմատ ներկայիս ձեռքբերումներն իսկական հրաշք են թվում։ Միշտ էլ կգտնվեն մարդիկ, ովքեր սիրում են տրտնջալ։ 5 տարի առաջ նրանք ամբողջ ուժով խոսում էին այն մասին, թե ինչպես մեքենաները երբեք չեն հաղթի մարդկանց դեմ Go-ում (կամ, համենայն դեպս, նրանք շուտով չեն հաղթի): Նրանք ասում էին, որ մեքենան երբեք չի կարողանա զրոյից նկար նկարել, մինչդեռ այսօր մարդիկ գործնականում չեն կարողանում տարբերել մեքենաներով ստեղծված նկարները իրենց անհայտ նկարիչների նկարներից: Անցյալ տարվա վերջին մեքենաները սովորեցին սինթեզել խոսք, որը գործնականում չի տարբերվում մարդկային խոսքից, իսկ վերջին տարիներին մեքենաների ստեղծած երաժշտությունը ականջները չի թառամել։

Տեսնենք, թե ինչ կլինի վաղը։ Ես շատ լավատես եմ արհեստական ​​ինտելեկտի այս հավելվածների վերաբերյալ։

Խոստումնալից ուղղություններ. որտեղի՞ց սկսել սուզվել AI-ի ոլորտում:

Ես խորհուրդ կտայի ձեզ փորձել տիրապետել հայտնի նեյրոնային ցանցի շրջանակներից մեկին և մեքենայական ուսուցման ոլորտում հայտնի ծրագրավորման լեզուներից մեկին (այսօր ամենահայտնի համադրությունը TensorFlow + Python-ն է):

Տիրապետելով այս գործիքներին և իդեալականորեն ունենալով ամուր հիմք մաթեմատիկական վիճակագրության և հավանականությունների տեսության ոլորտում՝ դուք պետք է ձեր ջանքերն ուղղեք դեպի այն ոլորտը, որն առավել հետաքրքիր կլինի անձամբ ձեզ համար:

Ձեր աշխատանքի առարկայի նկատմամբ հետաքրքրությունը ձեր ամենակարևոր օգնականներից մեկն է:

Մեքենայական ուսուցման մասնագետների կարիք կա տարբեր ոլորտներում՝ բժշկության, բանկային, գիտության, արտադրության ոլորտում, ուստի այսօր լավ մասնագետն ավելի լայն ընտրություն ունի, քան երբևէ: Այս ոլորտներից որևէ մեկի պոտենցիալ օգուտներն ինձ աննշան են թվում այն ​​փաստի համեմատ, որ դուք հաճույք կստանաք աշխատանքից:

«Մենք մարդկային էվոլյուցիայի հետ համեմատելի ամենամեծ փոփոխությունների շեմին ենք» - գիտաֆանտաստիկ գրող Վերնոր Ստեֆան Վինջ

Ի՞նչ կզգայիք, եթե իմանայիք, որ վիթխարի փոփոխությունների շեմին եք, ինչպես փոքրիկ մարդը ստորև ներկայացված գրաֆիկում:

Ուղղահայաց առանցքը մարդկության զարգացումն է, հորիզոնական առանցքը՝ ժամանակը

Հուզիչ, այնպես չէ՞:

Այնուամենայնիվ, եթե դուք թաքցնում եք գրաֆիկի մի մասը, ապա ամեն ինչ շատ ավելի պրոզաիկ է թվում:

Հեռավոր ապագան հենց անկյունում է

Պատկերացրեք, որ դուք հայտնվել եք 1750 թ. Այդ օրերին մարդիկ դեռ չէին լսել հոսանքի մասին, հեռավորության վրա կապն իրականացվում էր ջահերի օգնությամբ, իսկ միակ փոխադրամիջոցը պետք է սնվեր խոտով մինչև ճամփորդությունը։ Եվ այսպես, դուք որոշում եք ձեզ հետ վերցնել «անցյալի մարդուն» և ցույց տալ նրան կյանքը 2016 թ. Անհնար է նույնիսկ պատկերացնել, թե ինչ կզգար նա, եթե հայտնվեր լայն, հարթ փողոցներում, որտեղ մեքենաները շտապում էին։ Ձեր հյուրը աներևակայելիորեն կզարմանա, որ ժամանակակից մարդիկ կարող են շփվել նույնիսկ եթե նրանք գտնվում են երկրագնդի տարբեր ծայրերում, հետևում են այլ երկրների սպորտային իրադարձություններին, դիտում են համերգներ 50 տարի առաջ, ինչպես նաև պահում են ժամանակի ցանկացած պահ լուսանկարում կամ տեսանյութում: Եվ եթե այս մարդուն 1750 թվականից պատմեիք ինտերնետի, Միջազգային տիեզերակայանի, մեծ հադրոնային կոլայդերի և հարաբերականության տեսության մասին, ապա նրա հայացքը աշխարհի մասին հավանաբար կփլուզվեր: Նա նույնիսկ կարող էր մահանալ տպավորությունների գերակշռությունից։

Բայց ահա թե ինչն է հետաքրքիր. եթե ձեր հյուրը վերադառնում է իր «հայրենի» դար և որոշի նմանատիպ փորձ կատարել՝ 1500 թվականից մարդուն տանելով ժամանակի մեքենայով զբոսանքի, ապա թեև անցյալի այցելուն կարող է նաև զարմանալ շատերի կողմից։ Նրա փորձը այնքան տպավորիչ չէր լինի. 1500-ի և 1750-ի տարբերությունն այնքան էլ նկատելի չէ, որքան 1750-ից 2016-ը:

Եթե ​​18-րդ դարի մարդն ուզում է տպավորություն թողնել անցյալի հյուրի վրա, ապա նա պետք է հրավիրի մեկին, ով ապրել է մ.թ.ա. 12000 թվականին՝ մինչև Ագրարային մեծ հեղափոխությունը: Նրան իսկապես կարող էր «ապշեցնել» տեխնոլոգիայի զարգացումը: Տեսնելով եկեղեցիների բարձր զանգակատները, օվկիանոսները հերկող նավերը, հազարավոր բնակիչներով քաղաքները՝ նա ուշագնաց էր լինում բուռն հույզերից։

Տեխնոլոգիաների և հասարակության զարգացման տեմպերն անընդհատ աճում են։ Ամերիկացի հայտնի գյուտարար և ֆուտուրիստ Ռայմոնդ Կուրցվեյլը սա անվանում է «Պատմության արագացման օրենք»։ Դա տեղի է ունենում այն ​​պատճառով, որ նոր տեխնոլոգիաների ներդրումը հասարակությանը թույլ է տալիս զարգանալ ավելի արագ տեմպերով: Օրինակ՝ 19-րդ դարում ապրած մարդիկ ավելի առաջադեմ տեխնոլոգիաներ ունեին, քան 15-րդ դարում։ Ուստի զարմանալի չէ, որ 19-րդ դարն ավելի շատ ձեռքբերումներ բերեց մարդկությանը, քան 15-րդը։

Բայց եթե տեխնոլոգիան ավելի ու ավելի արագ է զարգանում, մենք ապագայում պետք է սպասենք մեծագույն գյուտերի, այնպես չէ՞: Եթե ​​Կուրցվեյլը և նրա համախոհները ճիշտ են, ապա 2030 թվականին մենք կզգանք նույն էմոցիաները, ինչ 1750 թվականից մերը եկած մարդը։ Իսկ 2050 թվականին աշխարհն այնքան կփոխվի, որ մենք դժվար թե կարողանանք տարբերել նախորդ տասնամյակների առանձնահատկությունները։

Վերոնշյալ բոլորը գիտական ​​ֆանտաստիկա չեն, դա գիտականորեն հաստատված է և միանգամայն տրամաբանական: Այնուամենայնիվ, շատերը դեռ թերահավատորեն են վերաբերվում նման պնդումներին: Դա տեղի է ունենում մի շարք պատճառներով.

1. Շատերը կարծում են, որ հասարակության զարգացումը տեղի է ունենում հավասարաչափ և ուղիղ: Երբ մտածում ենք, թե ինչպիսին կլինի աշխարհը 30 տարի հետո, մենք հիշում ենք, թե ինչ է տեղի ունեցել վերջին 30 տարում։ Այս պահին մենք նույն սխալն ենք անում, ինչ վերևի օրինակից ստացված մարդը, ով ապրել է 1750 թվականին և հյուր է հրավիրել 1500 թվականից: Առջևում առաջընթացը ճիշտ պատկերացնելու համար պետք է պատկերացնել, որ զարգացումը տեղի է ունենում շատ ավելի արագ տեմպերով, քան հեռավոր անցյալում:

2. Մենք սխալ ենք ընկալում ժամանակակից հասարակության զարգացման հետագիծը։ Օրինակ, եթե մենք նայենք էքսպոնենցիալ կորի մի փոքր հատվածին, այն մեզ կարող է թվալ որպես ուղիղ գիծ (ճիշտ այնպես, կարծես մենք նայում ենք շրջանագծի մի մասի): Այնուամենայնիվ, էքսպոնենցիալ աճը հարթ և հարթ չէ: Կուրցվեյլը բացատրում է, որ առաջընթացը հետևում է s-աձև կորի, ինչպես ցույց է տրված ստորև բերված գրաֆիկում.

Զարգացման յուրաքանչյուր «շրջափուլ» սկսվում է հանկարծակի թռիչքով, որն այնուհետև փոխարինվում է կայուն և աստիճանական աճով:

Այսպիսով, զարգացման յուրաքանչյուր նոր «փուլ» բաժանված է մի քանի փուլերի.

1. Դանդաղ աճ (զարգացման վաղ փուլ);
2. Արագ աճ (երկրորդ, «պայթուցիկ» զարգացման արտահայտությունը);
3. «Հավասարեցում», երբ նոր տեխնոլոգիան հասցվում է կատարելության։

Եթե ​​նայենք վերջին իրադարձություններին, կարող ենք գալ այն եզրակացության, որ մենք լիովին տեղյակ չենք, թե որքան արագ է զարգանում տեխնոլոգիան: Օրինակ, 1995-2007 թվականներին մենք կարող էինք տեսնել ինտերնետի, Microsoft-ի, Google-ի և Facebook-ի, սոցիալական ցանցերի, բջջային հեռախոսների, այնուհետև սմարթֆոնների առաջացումը: Սակայն 2008-ից 2016 թվականներն այնքան էլ հարուստ չեն եղել բացահայտումներով, գոնե բարձր տեխնոլոգիաների ոլորտում։ Այսպիսով, մենք այժմ գտնվում ենք s-աձև զարգացման գծի 3-րդ փուլում:

3. Շատ մարդիկ պատանդ են սեփական կյանքի փորձառություններին, որոնք խեղաթյուրում են ապագայի նկատմամբ նրանց պատկերացումը: Երբ մենք լսում ենք ապագայի վերաբերյալ որևէ կանխատեսում, որը հակասում է մեր տեսակետին` հիմնված նախկին փորձի վրա, մենք այս դատողությունը համարում ենք միամիտ: Օրինակ, եթե այսօր ձեզ ասեն, որ ապագայում մարդիկ կապրեն 150-250 տարի կամ 150 տարի, ապա, ամենայն հավանականությամբ, դուք կպատասխանեք. «Սա հիմարություն է, քանի որ հայտնի է, որ բոլորը մահկանացու են»: Իրոք, բոլոր մարդիկ, ովքեր երբևէ ապրել են անցյալում, մահացել են և շարունակում են մեռնել այսօր: Բայց հարկ է նշել, որ ոչ ոք նույնպես ինքնաթիռներ չի վարել, քանի դեռ դրանք վերջնականապես չեն հայտնագործվել:

Իրականում, շատ բան կփոխվի առաջիկա մի քանի տասնամյակների ընթացքում, և փոփոխություններն այնքան նշանակալից կլինեն, որ հիմա նույնիսկ դժվար է դա պատկերացնել։ Այս հոդվածը մինչև վերջ կարդալուց հետո կարող եք ավելին իմանալ այն մասին, թե ինչ է կատարվում այժմ գիտության և բարձր տեխնոլոգիաների աշխարհում:

Ի՞նչ է արհեստական ​​ինտելեկտը (AI):

1. Մենք արհեստական ​​ինտելեկտը կապում ենք այնպիսի ֆիլմերի հետ, ինչպիսիք են «Աստղային պատերազմները», «Տերմինատորը» և այլն: Այս առումով մենք դրան վերաբերվում ենք որպես գեղարվեստական:

2. AI-ն բավականին լայն հասկացություն է: Այն վերաբերում է ինչպես գրպանի հաշվիչներին, այնպես էլ ինքնակառավարվող մեքենաներին: Նման բազմազանությունը շփոթեցնող է:

3. Մենք օգտագործում ենք արհեստական ​​ինտելեկտը մեր առօրյա կյանքում, բայց չենք գիտակցում դա։ Մենք AI-ն ընկալում ենք որպես մի առասպելական բան ապագայի աշխարհից, ուստի մեզ համար դժվար է գիտակցել, որ այն արդեն մեր շուրջն է:

Այս առումով պետք է մեկընդմիշտ հասկանալ մի քանի բան։ Նախ, արհեստական ​​ինտելեկտը ռոբոտ չէ: Ռոբոտը արհեստական ​​ինտելեկտի մի տեսակ է, որը երբեմն ունի մարդու մարմնի ուրվագիծ: Այնուամենայնիվ, արհեստական ​​ինտելեկտը համակարգիչ է ռոբոտի ներսում: Այն կարելի է համեմատել մարդու մարմնի ներսում գտնվող ուղեղի հետ: Օրինակ, կանացի ձայնը, որը մենք լսում ենք, պարզապես անձնավորում է:

Երկրորդ, դուք հավանաբար արդեն հանդիպել եք «եզակիություն» կամ «տեխնոլոգիական եզակիություն» հասկացությանը։ Այս տերմինը օգտագործվել է նկարագրելու մի իրավիճակ, որտեղ սովորական օրենքներն ու կանոնները չեն կիրառվում: Այս հասկացությունն օգտագործվում է ֆիզիկայում՝ նկարագրելու համար սև խոռոչները կամ Տիեզերքի սեղմման պահը մինչև Մեծ պայթյունը։ 1993 թվականին Վերնոր Վինգը հրապարակեց իր հայտնի էսսեն, որտեղ նա օգտագործեց եզակիությունը՝ ապագայում բացահայտելու այն կետը, երբ արհեստական ​​ինտելեկտը կգերազանցի մերը: Նրա կարծիքով, երբ գա այս պահը, աշխարհն իր բոլոր կանոններով ու օրենքներով կդադարի գոյություն ունենալ նախկինի պես։

Ի վերջո, կան արհեստական ​​ինտելեկտի մի քանի տեսակներ, որոնցից կարելի է առանձնացնել երեք հիմնական կատեգորիա.

1. Սահմանափակ արհեստական ​​ինտելեկտ (ANI, Artificial Narrow Intelligence): Դա AI է, որը մասնագիտացած է մեկ կոնկրետ ոլորտում: Օրինակ, նա կարող է շախմատի աշխարհի չեմպիոնին հաղթել շախմատում, բայց դա այն ամենն է, ինչ նա կարող է անել:

2. Ընդհանուր արհեստական ​​բանականություն (AGI, Artificial General Intelligence): Նման արհեստական ​​ինտելեկտը համակարգիչ է, որի ինտելեկտը նման է մարդու բանականությանը, այսինքն՝ կարող է կատարել նույն բոլոր խնդիրները, ինչ մարդը: Պրոֆեսոր Լինդա Գոթֆրեդսոնը նկարագրում է այս երևույթը հետևյալ կերպ. «Ընդհանուր արհեստական ​​ինտելեկտը մարմնավորում է ընդհանրացված մտածողության կարողությունները, որոնք ներառում են նաև տրամաբանելու, պլանավորելու, խնդիրներ լուծելու, վերացական մտածելու, բարդ գաղափարները համեմատելու, արագ սովորելու և կուտակված փորձը օգտագործելու կարողությունը»:

3. Արհեստական ​​գերհետախուզություն (ASI, Artificial Superintelligence): Շվեդ փիլիսոփա և Օքսֆորդի համալսարանի պրոֆեսոր Նիք Բոստրոմը սուպերինտելեկտը սահմանում է որպես «մարդկանց բանականությունը գրեթե բոլոր ոլորտներում, ներառյալ գիտական ​​գյուտը, ընդհանուր գիտելիքները և սոցիալական հմտությունները»։

Ներկայումս մարդկությունն արդեն հաջողությամբ օգտագործում է սահմանափակ արհեստական ​​ինտելեկտը: Մենք AGI-ին տիրապետելու ճանապարհին ենք: Հոդվածի հաջորդ բաժինները մանրամասնորեն կքննարկեն այս կատեգորիաներից յուրաքանչյուրը:

Աշխարհ, որը ղեկավարվում է սահմանափակ արհեստական ​​ինտելեկտով

Սահմանափակ արհեստական ​​ինտելեկտը մեքենայական ինտելեկտն է, որը հավասար է կամ գերազանցում է մարդկային ինտելեկտին նեղ խնդիրների լուծման հարցում: Ստորև բերված են մի քանի օրինակներ.

• Google-ի ինքնակառավարվող մեքենա, որը ճանաչում և արձագանքում է իր ճանապարհին հանդիպող տարբեր խոչընդոտներին.
• «ապաստան» է սահմանափակ AI-ի տարբեր ձևերի համար: Երբ դուք շարժվում եք քաղաքում՝ օգտագործելով նավիգացիոն խորհուրդներ, ստացեք երաժշտության առաջարկներ Pandora-ից, ստուգեք եղանակի կանխատեսումը, խոսեք Siri-ի հետ, դուք օգտագործում եք ANI-ն;
• սպամի զտիչներ ձեր էլ.փոստում. նախ նրանք սովորում են ճանաչել սպամը, այնուհետև, վերլուծելով իրենց նախկին փորձը և ձեր նախասիրությունները, տառերը տեղափոխում են հատուկ թղթապանակ.
• Google Translate թարգմանիչը սահմանափակ արհեստական ​​ինտելեկտի դասական օրինակ է, որը բավական լավ է կատարում իր նեղ առաջադրանքը.
• Ինքնաթիռի վայրէջքի պահին հատուկ արհեստական ​​ինտելեկտի վրա հիմնված համակարգը որոշում է, թե որ դարպասից պետք է դուրս գան ուղևորները:

Արհեստական ​​ինտելեկտի սահմանափակ համակարգերը ոչ մի վտանգ չեն ներկայացնում մարդկանց համար։ Վատագույն դեպքում, նման համակարգի ձախողումը կարող է հանգեցնել տեղական աղետի, ինչպիսին է էլեկտրաէներգիայի աճը կամ ֆինանսական շուկայում փոքր փլուզումը:

Սահմանափակ արհեստական ​​ինտելեկտի ոլորտում յուրաքանչյուր նոր գյուտ մեզ մեկ քայլ ավելի է մոտեցնում ընդհանուր արհեստական ​​ինտելեկտի ստեղծմանը։

Ինչու է սա այդքան դժվար:

Եթե ​​դուք փորձեիք ստեղծել այնպիսի համակարգիչ, որն ունի նույն բանականությամբ, ինչ մարդը, դուք կսկսեիք իսկապես գնահատել ձեր մտածելու ունակությունը: Երկնաքերերի նախագծում, տիեզերք հրթիռներ արձակելը, Մեծ պայթյունի տեսության ուսումնասիրությունը՝ այս ամենը շատ ավելի հեշտ է իրականացնել, քան մարդու ուղեղն ուսումնասիրելը: Այս պահին մեր միտքը դիտվող Տիեզերքի ամենաբարդ օբյեկտն է:

Ամենահետաքրքիրն այն է, որ ընդհանուր AI-ի ստեղծման դժվարությունները ծագում են ամենահասարակ թվացող բաներում։ Օրինակ՝ սարք ստեղծելը, որը կարող է վայրկյանի մասում տասը նիշ թվեր բազմապատկել, դժվար չէ։ Միևնույն ժամանակ, աներևակայելի դժվար է գրել այնպիսի ծրագիր, որը կարող է ճանաչել, թե ով է մոնիտորի դիմաց՝ կատու, թե շուն: Ստեղծե՞լ համակարգիչ, որը կարող է հաղթել մարդուն շախմատում: Հեշտությամբ! Դարձրեք մեքենան կարդալ և հասկանալ, թե ինչ է գրված մանկական գրքում: Google-ը միլիարդավոր դոլարներ է ծախսում այս խնդիրը լուծելու համար։ Մաթեմատիկական հաշվարկները, ֆինանսական ռազմավարությունների ստեղծումը, մի լեզվից մյուսը թարգմանելը արդեն լուծվել են AI-ի օգնությամբ։ Այնուամենայնիվ, տեսողությունը, ընկալումը, ժեստերը և տարածության մեջ շարժումը դեռևս մնում են չլուծված խնդիրներ համակարգիչների համար:

Այս հմտությունները մարդկանց թվում են պարզ, քանի որ դրանք զարգացել են միլիոնավոր տարիների էվոլյուցիայի ընթացքում: Երբ ձեռք եք մեկնում առարկա վերցնելու համար, ձեր մկանները, կապանները և ոսկորները կատարում են մի շարք վիրահատություններ, որոնք համապատասխանում են ձեր աչքերի տեսածին:

Մյուս կողմից, մեծ թվերի բազմապատկումն ու շախմատ խաղալը բոլորովին նոր գործողություններ են կենսաբանական էակների համար։ Ահա թե ինչու համակարգչի համար շատ հեշտ է հաղթել մեզ այս հարցում: Մտածեք, թե ո՞ր ծրագիրն եք նախընտրում ստեղծել. մեկը, որը կարող է արագ բազմապատկել մեծ թվեր կամ պարզապես ճանաչել B տառը հազարավոր այլ տառատեսակներով գրված:

Մեկ այլ զվարճալի օրինակ. նայելով ստորև ներկայացված պատկերին, և՛ դուք, և՛ համակարգիչը կարող եք անվրեպ ճանաչել, որ այն ներկայացնում է երկու տարբեր երանգների քառակուսիներից բաղկացած ուղղանկյուն:

Բայց հենց որ մենք հեռացնենք սև ֆոնը, մեր առջև կբացվի ամբողջական, նախկինում թաքնված նկարը.

Մարդու համար դժվար չի լինի անվանել և նկարագրել այն բոլոր կերպարները, որոնք նա տեսնում է այս նկարում։ Այնուամենայնիվ, համակարգիչը չի կարողանա հաղթահարել այս խնդիրը: Իսկ ստորև ներկայացված պատկերը վերլուծելուց հետո նա կեզրակացնի, որ իր դիմաց սպիտակ, սև և մոխրագույն գույների բազմաթիվ երկչափ առարկաների համադրություն է։ Այս դեպքում մարդը հեշտությամբ կարող է ասել, որ նկարում պատկերված է սև քար.

Այն ամենը, ինչ վերը նշվեց, վերաբերում էր միայն ստատիկ տեղեկատվության ընկալմանը և մշակմանը: Մարդու ինտելեկտի մակարդակին համապատասխանելու համար համակարգիչը պետք է սովորի ճանաչել դեմքի արտահայտությունները, ժեստերը և այլն: Բայց ինչպե՞ս հասնել այս ամենին։

Ընդհանուր AI-ի ստեղծման առաջին քայլը համակարգչային հզորության ավելացումն է

Ակնհայտ է, որ եթե մենք պատրաստվում ենք ստեղծել «խելացի» համակարգիչներ, ապա նրանք պետք է ունենան նույն մտածողության կարողությունները, ինչ մարդիկ: Դրան հասնելու ուղիներից մեկը վայրկյանում գործողությունների քանակի ավելացումն է: Դրա համար անհրաժեշտ է հաշվարկել, թե վայրկյանում քանի գործողություն է կատարում մարդու ուղեղի յուրաքանչյուր կառուցվածք։

Ռեյ Կուրցվեյլը մի քանի հաշվարկ է արել և կարողացել է վայրկյանում 10,000,000,000,000,000 գործողություններ կատարել: Մոտավորապես նույն արտադրողականությունն ունի մարդու ուղեղը։

Ներկայումս ամենահզոր սուպերհամակարգիչը չինական Tianhe-2-ն է, որի կատարողականը կազմում է վայրկյանում 34 կվադրիլիոն գործողություն։ Այնուամենայնիվ, այս սուպերհամակարգչի չափերը տպավորիչ են. այն զբաղեցնում է 720 քառակուսի մետր տարածք և արժե $390,000,000:

Այսպիսով, եթե նայեք տեխնիկական կողմից, մենք արդեն ունենք համակարգիչ, որն իր կատարողականությամբ համեմատելի է մարդու ուղեղի հետ: Այն հասանելի չէ զանգվածային սպառողին, բայց տասը տարվա ընթացքում այն ​​կդառնա։ Այնուամենայնիվ, կատարումը միակ բանը չէ, որ կարող է մարդու նման խելացիություն տալ համակարգչին: Հաջորդ հարցը հետևյալն է՝ ինչպե՞ս հզոր համակարգիչը դարձնել խելացի:

Ընդհանուր արհեստական ​​ինտելեկտի ստեղծման երկրորդ քայլը մեքենային բանականությամբ օժտելն է

Սա գործընթացի ամենադժվար մասն է, քանի որ ոչ ոք իրականում չգիտի, թե ինչպես համակարգիչը խելացի դարձնել: Դեռևս բանավեճ կա այն մասին, թե ինչպես կարելի է մեքենային հնարավորություն տալ տարբերակել կատուներին շներից կամ ճանաչել B տառը: Այնուամենայնիվ, կան մի քանի ռազմավարություններ, որոնցից մի քանիսը համառոտ նկարագրված են ստորև.

1. Մարդու ուղեղի պատճենում

Ներկայումս գիտնականներն աշխատում են մարդու ուղեղի այսպես կոչված հակադարձ ինժեներիայի վրա: Լավատեսական կանխատեսումների համաձայն՝ այս աշխատանքը կավարտվի մինչեւ 2030 թվականը։ Երբ նախագիծը ստեղծվի, մենք կկարողանանք սովորել մեր ուղեղի բոլոր գաղտնիքները և դրանից նոր գաղափարներ քաղել։ Նման համակարգի օրինակ է արհեստական ​​նեյրոնային ցանցը։

Մեկ այլ ավելի ծայրահեղ գաղափար է մարդու ուղեղի գործառույթները ամբողջությամբ ընդօրինակելը: Այս փորձի ընթացքում նախատեսվում է ուղեղը կտրել բազմաթիվ բարակ շերտերի և սկանավորել դրանցից յուրաքանչյուրը։ Այնուհետև, օգտագործելով հատուկ ծրագիր, ձեզ հարկավոր է ստեղծել 3D մոդել, այնուհետև այն ներդնել հզոր համակարգչի մեջ: Սրանից հետո մենք կստանանք մի սարք, որը պաշտոնապես կունենա մարդու ուղեղի բոլոր գործառույթները՝ մնում է, որ նա տեղեկատվություն հավաքի և սովորի։

Որքա՞ն ժամանակ պետք է սպասենք, մինչև գիտնականները կարողանան ստեղծել մարդու ուղեղի ճշգրիտ պատճենը: Բավականին երկար ժամանակ, քանի որ մինչ օրս մասնագետները չեն կարողացել պատճենել ուղեղի նույնիսկ 1 մմ շերտը, որը բաղկացած է 302 նեյրոնից (մեր ուղեղը բաղկացած է 100,000,000,000 նեյրոնից):

2. Վերանայելով մարդու ուղեղի էվոլյուցիան

Խելացի համակարգչի ստեղծումը տեսականորեն հնարավոր է, և մեր սեփական ուղեղի էվոլյուցիան դրա ապացույցն է: Եթե ​​մենք չկարողանանք ստեղծել ուղեղի ճշգրիտ պատճեն, կարող ենք փորձել ընդօրինակել նրա էվոլյուցիան: Իրականում, օրինակ, անհնար է ինքնաթիռ կառուցել՝ պարզապես թռչնի թեւերը պատճենելով։ Բարձրորակ ինքնաթիռ ստեղծելու համար ավելի լավ է օգտագործել այլ մոտեցում։

Ինչպե՞ս կարող ենք նմանակել էվոլյուցիոն գործընթացը՝ ընդհանուր AI ստեղծելու համար: Այս մեթոդը կոչվում է գենետիկական ալգորիթմ: Այս մոտեցման էությունն այն է, որ օպտիմալացման և մոդելավորման խնդիրները լուծվում են բնության մեջ բնական ընտրությանը նման մեխանիզմների միջոցով: Մի քանի համակարգիչներ կկատարեն տարբեր առաջադրանքներ, իսկ նրանք, որոնք առավել արդյունավետ են, «կխաչվեն» միմյանց հետ։ Մեքենաները, որոնք չկարողանան կատարել առաջադրանքը, կբացառվեն: Այսպիսով, այս փորձի բազմաթիվ կրկնություններից հետո բնական ընտրության ալգորիթմը կստեղծի ավելի լավ համակարգիչ: Դժվարությունն այստեղ կայանում է էվոլյուցիայի և «հատման» գործընթացի ավտոմատացման մեջ, քանի որ էվոլյուցիոն գործընթացն ինքնըստինքյան պետք է շարունակվի:

Նկարագրված մեթոդի թերությունն այն է, որ էվոլյուցիայի բնույթով դա տեւում է միլիոնավոր տարիներ, սակայն մեզ պետք են արդյունքներ մի քանի տասնամյակի ընթացքում։

3. Բոլոր առաջադրանքները փոխանցեք համակարգչին

Երբ գիտնականները հուսահատվում են, նրանք փորձում են ստեղծել ծրագիր, որը փորձարկում է ինքն իրեն: Սա կարող է լինել ընդհանուր AI ստեղծման ամենահեռանկարային մեթոդը:

Գաղափարը համակարգիչ ստեղծելն է, որի հիմնական գործառույթները կլինեն արհեստական ​​ինտելեկտի հետազոտությունը և կոդավորման փոփոխությունները։ Նման համակարգիչը ոչ միայն ինքնուրույն կսովորի, այլև կփոխի իր սեփական ճարտարապետությունը: Գիտնականները պլանավորում են համակարգչին սովորեցնել որպես հետազոտող, որի հիմնական խնդիրը կլինի սեփական ինտելեկտի զարգացումը:

Այս ամենը կարող է տեղի ունենալ շատ շուտով

Համակարգիչների շարունակական կատարելագործումը և նոր ծրագրային ապահովման նորարարական փորձերը տեղի են ունենում զուգահեռաբար: Արհեստական ​​ընդհանուր ինտելեկտը կարող է արագ և անսպասելիորեն առաջանալ երկու հիմնական պատճառով.

1. Էքսպոնենցիալ աճի տեմպը շատ դանդաղ է թվում, բայց այն կարող է արագանալ ցանկացած պահի:

2. Երբ խոսքը վերաբերում է ծրագրային ապահովմանը, առաջընթացը կարծես թե շատ դանդաղ է տեղի ունենում, բայց մեկ բացահայտում կարող է մեզ աչքը թարթելու ընթացքում հասցնել զարգացման նոր մակարդակի: Օրինակ, մենք բոլորս գիտենք, որ նախկինում մարդիկ կարծում էին, որ Երկիրը գտնվում է Տիեզերքի կենտրոնում: Այս առումով շատ դժվարություններ առաջացան տիեզերքի ուսումնասիրության մեջ։ Այնուամենայնիվ, այն ժամանակ համաշխարհային համակարգն անսպասելիորեն փոխվեց հելիոկենտրոնի: Երբ գաղափարները կտրուկ փոխվեցին, հնարավոր դարձավ նոր հետազոտություն:

Սահմանափակ արհեստական ​​ինտելեկտից դեպի արհեստական ​​գերհետախուզություն տանող ճանապարհին

Սահմանափակ AI-ի զարգացման ինչ-որ պահի համակարգիչները կսկսեն գերազանցել մեզ: Փաստն այն է, որ մարդու ուղեղին նույնական արհեստական ​​ինտելեկտը մարդկանց նկատմամբ կունենա մի քանի առավելություններ, որոնցից կարելի է առանձնացնել հետևյալը.

Արագություն. Մեր ուղեղի նեյրոններն աշխատում են 200 Հց առավելագույն հաճախականությամբ, մինչդեռ ժամանակակից միկրոպրոցեսորներն աշխատում են 2 ԳՀց հաճախականությամբ կամ 10 միլիոն անգամ ավելի արագ:

Չափերը. Մարդու ուղեղը սահմանափակված է գանգի չափերով և, հետևաբար, չի կարող ավելի մեծանալ: Համակարգիչը կարող է լինել ցանկացած չափսի՝ ապահովելով ավելի շատ տարածք ֆայլեր պահելու համար:

Հուսալիություն և ամրություն: Համակարգչային տրանզիստորները գործում են ավելի մեծ ճշգրտությամբ, քան ուղեղի նեյրոնները: Բացի այդ, դրանք կարող են հեշտությամբ վերանորոգվել կամ փոխարինվել: Մարդու ուղեղը հակված է հոգնելու, մինչդեռ համակարգիչը կարող է ամբողջ հզորությամբ աշխատել շուրջօրյա։

Արհեստական ​​ինտելեկտը, որը ծրագրված է անընդհատ ինքնակատարելագործվելու համար, իրեն չի սահմանափակվի ոչ մի սահմանով։ Սա նշանակում է, որ երբ մեքենան հասնի մարդկային բանականության մակարդակին, այնտեղ կանգ չի առնի:

Իհարկե, երբ համակարգիչը մեզանից «խելացի» դառնա, դա ցնցում կլինի ողջ մարդկության համար: Փաստորեն, մեզանից շատերն ունեն հետախուզության խեղաթյուրված պատկերացում, որն ունի հետևյալ տեսքը.

Մեր խեղաթյուրված տեսակետը բանականության մասին.

Հորիզոնական առանցքը ժամանակն է, ուղղահայացը` բանականությունը:

Ինտելեկտի մակարդակներն անցնում են ներքևից վեր՝ մրջյուն, թռչուն, շիմպանզե, հիմար մարդ, Էյնշտեյն: Հիմար մարդու և Էյնշտեյնի միջև կա մի մարդ, ով ասում է. «Հա հա! Այս զվարճալի ռոբոտները կապիկների պես են գործում»։

Արհեստական ​​ինտելեկտի զարգացումը նշված է կարմիրով։

Այսպիսով, գրաֆիկի վրա արհեստական ​​ինտելեկտի զարգացման կորը ձգտում է հասնել մարդկային մակարդակի: Մենք հետևում ենք, թե ինչպես է մեքենան աստիճանաբար դառնում ավելի խելացի, քան կենդանին: Այնուամենայնիվ, երբ AI-ն հասնի «մտերիմ մարդու» կամ, ինչպես Նիկ Բոստրոմն է ասում, «գյուղի ապուշի» մակարդակին, դա կնշանակի, որ ստեղծվել է արհեստական ​​ընդհանուր ինտելեկտ։ Այս դեպքում համակարգչի համար դժվար չի լինի հասնել Էյնշտեյնի մակարդակին։ Այս արագ զարգացումը ներկայացված է ստորև բերված նկարում.

Բայց ի՞նչ է լինելու հետո։

Ինտելեկտուալ պայթյուն

Այստեղ օգտակար կլինի հիշել, որ այս հոդվածում գրված ամեն ինչ հարգված գիտնականների կողմից կազմված իրական գիտական ​​կանխատեսումների նկարագրությունն է։

Ամեն դեպքում, սահմանափակ արհեստական ​​ինտելեկտի մոդելների մեծ մասը ներառում է ինքնակատարելագործման գործառույթ։ Բայց նույնիսկ եթե դուք ստեղծեք AI, որն ի սկզբանե նման գործառույթ չի ապահովում, ապա, հասնելով մարդու ինտելեկտի մակարդակին, համակարգիչը ձեռք կբերի ինքնուրույն սովորելու ունակություն՝ ըստ ցանկության։ Սրա արդյունքում մեքենայական ինտելեկտը աստիճանաբար կզարգանա և կդառնա սուպերհետախուզություն, որը շատ անգամ կգերազանցի մարդկային միտքը։

Ներկայումս բանավեճ կա այն մասին, թե երբ AI-ն կհասնի մարդկային բանականության մակարդակին: Հարյուրավոր գիտնականներ համաձայն են, որ դա տեղի կունենա մոտ 2040 թվականին։ Շատ երկար ժամանակ չէ, չէ՞:

Այսպիսով, տասնամյակներ կպահանջվեն, որպեսզի արհեստական ​​ինտելեկտը հասնի մարդկային ինտելեկտի մակարդակին, բայց ի վերջո դա տեղի կունենա: Համակարգիչները կսովորեն հասկանալ իրենց շրջապատող աշխարհը այնպես, ինչպես հասկանում է 4 տարեկան երեխան: Հանկարծ, կլանելով այս տեղեկատվությունը, համակարգը կտիրապետի տեսական ֆիզիկային, քվանտային մեխանիկային և հարաբերականության տեսությանը: Մեկուկես ժամից AI-ն կվերածվի արհեստական ​​գերհետախուզության՝ 170 հազար անգամ գերազանցելով մարդու ուղեղի հնարավորությունները։

Գերհետախուզությունը մի երեւույթ է, որը մենք նույնիսկ մասամբ չենք կարող ընկալել: Մեր մտքերում խելացի մարդու IQ-ն 130 է, իսկ հիմարը՝ 85-ից ցածր։ Բայց ի՞նչ բառ կարելի է ընտրել 12952 IQ ունեցող արարածի համար։

Բանականությունը հոմանիշ է իշխանությանը, այդ իսկ պատճառով մարդն այս պահին գտնվում է էվոլյուցիայի գագաթնակետում՝ ենթարկելով մնացած բոլոր կենդանի էակներին: Սա նշանակում է, որ արհեստական ​​գերհետախուզության գալուստով մենք կդադարենք լինել «բնության պսակը»։ Մենք ենթարկվելու ենք գերմիտքին։

Եթե ​​մեր սահմանափակ ուղեղը կարողանար ստեղծել Wi-Fi, պատկերացրեք, թե ինչպիսի միտք կարող ենք ստեղծել հարյուրավոր, հազարավոր, նույնիսկ միլիոնավոր անգամներ, քան մենք: Այս բանականությունը կկարողանա վերահսկել մոլորակի վրա գտնվող յուրաքանչյուր ատոմի գտնվելու վայրը: Այն ամենը, ինչ մենք այժմ համարում ենք մոգություն կամ Աստծո զորությունը, կդառնա գերհետախուզության ամենօրյա խնդիրը: Supermind-ը կկարողանա հաղթել ծերությունը, բուժել հիվանդությունները, ոչնչացնել սովը և նույնիսկ մահը: Այն նույնիսկ կկարողանա վերածրագրավորել եղանակը՝ Երկրի վրա կյանքը պաշտպանելու համար: Սակայն գերհետախուզությունը կարող է աչք թարթելիս ոչնչացնել կյանքը մոլորակի վրա: Իրականության մեր ներկայիս ըմբռնման մեջ Աստված կբնակվի մեր կողքին գերհետախուզության դերում: Միակ հարցը, որ մենք պետք է տանք ինքներս մեզ, հետևյալն է՝ արդյոք սա բարի Աստված կլինի:

Արհեստական ​​ինտելեկտ. ինչպես և որտեղ սովորել. պատասխանում են փորձագետները

«Ես ուզում եմ զբաղվել AI-ով: Ի՞նչ արժե ուսումնասիրել: Ի՞նչ լեզուներ պետք է օգտագործեմ: Ո՞ր կազմակերպություններում պետք է սովորեմ և աշխատեմ:

Պարզաբանման համար դիմեցինք մեր փորձագետներին, և ստացված պատասխանները ներկայացնում ենք ձեր ուշադրությանը։

Դա կախված է ձեր հիմնական պատրաստվածությունից: Նախ և առաջ անհրաժեշտ է մաթեմատիկական մշակույթ (վիճակագրության իմացություն, հավանականությունների տեսություն, դիսկրետ մաթեմատիկա, գծային հանրահաշիվ, վերլուծություն և այլն) և շատ արագ սովորելու պատրաստակամություն։ AI մեթոդների ներդրման ժամանակ կպահանջվի ծրագրավորում (ալգորիթմներ, տվյալների կառուցվածքներ, OOP և այլն):

Տարբեր նախագծերը պահանջում են տարբեր ծրագրավորման լեզուների իմացություն: Խորհուրդ կտամ իմանալ գոնե Python, Java և ցանկացած ֆունկցիոնալ լեզու։ Տարբեր տվյալների բազաների և բաշխված համակարգերի հետ կապված փորձը օգտակար կլինի: Անգլերեն լեզվի հմտությունները պահանջվում են ոլորտի լավագույն փորձը արագ սովորելու համար:

Խորհուրդ եմ տալիս սովորել ռուսական լավ բուհերում։ Օրինակ՝ MIPT-ը, MSU-ն և HSE-ն ունեն համապատասխան բաժիններ: Թեմատիկ դասընթացների լայն տեսականի հասանելի է Coursera, edX, Udacity, Udemy և այլ MOOC հարթակներում: Որոշ առաջատար կազմակերպություններ ունեն իրենց վերապատրաստման ծրագրերը AI-ի ոլորտում (օրինակ, Yandex-ի տվյալների վերլուծության դպրոցը):

AI մեթոդներով լուծված կիրառական խնդիրները կարելի է գտնել տարբեր վայրերում: Բանկերը, ֆինանսական հատվածը, խորհրդատվությունը, մանրածախ առևտուրը, էլեկտրոնային առևտուրը, որոնման համակարգերը, փոստային ծառայությունները, խաղերի արդյունաբերությունը, անվտանգության համակարգերի ոլորտը և, իհարկե, Avito-ն, բոլորին անհրաժեշտ են տարբեր որակավորումների մասնագետներ:

Խթանել իջեցնել

Մենք ունենք ֆինտեխ նախագիծ՝ կապված մեքենայական ուսուցման և համակարգչային տեսլականի հետ, որտեղ դրա առաջին ծրագրավորողը գրել է ամեն ինչ C++-ով, այնուհետև եկել է ծրագրավորողը և վերաշարադրել ամեն ինչ Python-ում: Այսպիսով, լեզուն այստեղ ամենակարևորը չէ, քանի որ լեզուն առաջին հերթին գործիք է, և դա ձեզնից է կախված, թե ինչպես օգտագործել այն: Պարզապես որոշ լեզուներում խնդիրներն ավելի արագ են լուծվում, իսկ մյուսներում՝ ավելի դանդաղ։

Դժվար է ասել, թե որտեղ սովորել. մեր բոլոր տղաները սովորել են ինքնուրույն, բարեբախտաբար կա ինտերնետ և Google:

Խթանել իջեցնել

Ես կարող եմ ձեզ խորհուրդ տալ հենց սկզբից պատրաստվել նրան, որ ստիպված կլինեք շատ սովորել։ Անկախ նրանից, թե ինչ է նշանակում «AI անել»՝ աշխատել մեծ տվյալների կամ նեյրոնային ցանցերի հետ; տեխնոլոգիաների զարգացում կամ որոշակի արդեն մշակված համակարգի աջակցություն և ուսուցում։

Եկեք հաշվի առնենք տվյալների գիտնականի թրենդային մասնագիտությունը՝ հանուն կոնկրետության: Ի՞նչ է անում այս մարդը: Ընդհանուր առմամբ, այն հավաքում, վերլուծում և պատրաստում է մեծ տվյալներ օգտագործման համար: Սրանք են, որոնց վրա AI-ն աճում և մարզվում է: Ի՞նչ պետք է իմանա և կարողանա անել տվյալների գիտնականը: Ստատիկ վերլուծությունը և մաթեմատիկական մոդելավորումը լռելյայն են և սահուն մակարդակի վրա են: Լեզուներ - ասենք, R, SAS, Python: Լավ կլինի նաև ունենալ զարգացման որոշակի փորձ: Դե, ընդհանուր առմամբ, լավ տվյալների գիտնականը պետք է վստահ զգա տվյալների բազաների, ալգորիթմների և տվյալների վիզուալացման մեջ:

Չի կարելի ասել, որ նման գիտելիքներ կարելի էր ձեռք բերել երկրի յուրաքանչյուր երկրորդ տեխնիկական համալսարանում։ Խոշոր ընկերությունները, որոնք առաջնահերթություն են տալիս արհեստական ​​ինտելեկտի զարգացմանը, հասկանում են դա և մշակում են իրենց համար համապատասխան ուսումնական ծրագրեր. կա, օրինակ, Yandex-ի տվյալների վերլուծության դպրոցը: Բայց դուք պետք է տեղյակ լինեք, որ սա այն մասշտաբով չէ, որտեղ դուք գնում եք դասընթացների «փողոցից», այլ թողնում եք դրանք որպես պատրաստի կրտսեր: Շերտը մեծ է, և իմաստ ունի ուսումնասիրել առարկան, երբ հիմունքները (մաթեմատիկա, վիճակագրություն) արդեն լուսաբանված են, գոնե համալսարանական ծրագրի շրջանակներում։

Այո, դա բավականին ժամանակ կպահանջի։ Բայց խաղը մոմ արժե, քանի որ լավ տվյալների գիտնականը շատ խոստումնալից է: Եվ շատ թանկ: Կա նաև մեկ այլ կետ. Արհեստական ​​ինտելեկտը, մի կողմից, այլևս ոչ միայն գովազդի առարկա է, այլ տեխնոլոգիա, որն ամբողջությամբ հասել է արտադրողականության փուլին: Մյուս կողմից, AI-ն դեռ զարգանում է: Այս զարգացումը պահանջում է մեծ ռեսուրսներ, մեծ հմտություններ և մեծ գումար: Առայժմ սա բարձրագույն լիգայի մակարդակն է: Ես հիմա կասեմ ակնհայտը, բայց եթե ցանկանում եք լինել հարձակման առաջնագծում և առաջընթաց ապահովել ձեր սեփական ձեռքերով, նպատակ դրեք այնպիսի ընկերությունների, ինչպիսիք են Facebook-ը կամ Amazon-ը:

Միևնույն ժամանակ, տեխնոլոգիան արդեն կիրառվում է մի շարք ոլորտներում՝ բանկային, հեռահաղորդակցության, հսկա արդյունաբերական ձեռնարկությունների և մանրածախ առևտրի ոլորտներում։ Եվ նրանց արդեն պետք են մարդիկ, ովքեր կարող են աջակցել դրան։ Gartner-ը կանխատեսում է, որ մինչև 2020 թվականը զարգացած երկրների բոլոր ձեռնարկությունների 20%-ը կվարձի նվիրված աշխատակիցների՝ այդ ընկերություններում օգտագործվող նեյրոնային ցանցերը մարզելու համար: Այսպիսով, դեռ մի փոքր ժամանակ կա ինքնուրույն սովորելու համար:

Խթանել իջեցնել

AI-ն այժմ ակտիվորեն զարգանում է, և դժվար է կանխատեսել տասը տարի առաջ։ Առաջիկա երկու-երեք տարիների ընթացքում գերիշխող կլինեն նեյրոնային ցանցերի և GPU հաշվարկների վրա հիմնված մոտեցումները: Այս ոլորտում առաջատարը Python-ն է՝ Jupyter ինտերակտիվ միջավայրով և numpy, scipy և tensorflow գրադարաններով:

Կան բազմաթիվ առցանց դասընթացներ, որոնք ապահովում են այս տեխնոլոգիաների և արհեստական ​​ինտելեկտի ընդհանուր սկզբունքների հիմնական ըմբռնումը, ինչպես, օրինակ, Էնդրյու Նգի դասընթացը: Իսկ այս թեմայի դասավանդման առումով, հիմա Ռուսաստանում ամենաարդյունավետ միջոցը ինքնուրույն կամ տեղական շահագրգիռ խմբում սովորելն է (օրինակ, Մոսկվայում ես գիտեմ առնվազն մի քանի խմբերի գոյության մասին, որտեղ մարդիկ կիսում են փորձը և գիտելիքները. )

Խթանել իջեցնել

Խթանել իջեցնել

Այսօր արհեստական ​​ինտելեկտի ամենաարագ զարգացող մասը, թերեւս, նեյրոնային ցանցերն են:
Նեյրոնային ցանցերի և AI-ի ուսումնասիրությունը պետք է սկսվի մաթեմատիկայի երկու ճյուղերի՝ գծային հանրահաշվի և հավանականությունների տեսության յուրացումից։ Սա պարտադիր նվազագույնն է՝ արհեստական ​​ինտելեկտի անսասան հենասյուները։ Այն դիմորդները, ովքեր ցանկանում են հասկանալ AI-ի հիմունքները, բուհ ընտրելիս, իմ կարծիքով, պետք է ուշադրություն դարձնեն ուժեղ մաթեմատիկայի դպրոց ունեցող ֆակուլտետներին։

Հաջորդ քայլը հարցի խնդիրների ուսումնասիրությունն է։ Հսկայական քանակությամբ գրականություն կա՝ թե՛ կրթական, թե՛ մասնագիտացված։ Արհեստական ​​ինտելեկտի և նեյրոնային ցանցերի թեմայով հրապարակումների մեծ մասը գրված է անգլերենով, սակայն հրապարակվում են նաև ռուսալեզու նյութեր։ Օգտակար գրականություն կարելի է գտնել, օրինակ, arxiv.org հանրային թվային գրադարանում:

Եթե ​​խոսենք գործունեության ոլորտների մասին, ապա այստեղ կարելի է առանձնացնել կիրառական նեյրոնային ցանցերի վերապատրաստումը և նեյրոնային ցանցերի բոլորովին նոր տարբերակների մշակումը։ Վառ օրինակ. այժմ կա այդպիսի շատ տարածված մասնագիտություն՝ «տվյալների գիտնական» (Data Scientist): Սրանք մշակողներ են, որոնք, որպես կանոն, ուսումնասիրում և պատրաստում են որոշակի տվյալների հավաքածուներ հատուկ կիրառական ոլորտներում նեյրոնային ցանցերի ուսուցման համար: Ամփոփելու համար ուզում եմ ընդգծել, որ յուրաքանչյուր մասնագիտացում պահանջում է նախապատրաստման առանձին ուղի։

Խթանել իջեցնել

Մասնագիտացված դասընթացներ սկսելուց առաջ անհրաժեշտ է ուսումնասիրել գծային հանրահաշիվը և վիճակագրությունը: Ես խորհուրդ կտայի սկսել AI-ի մեջ ձեր ընկղմումը «Մեքենայական ուսուցում. Ալգորիթմներ կառուցելու գիտությունն ու արվեստը, որոնք գիտելիքը հանում են տվյալներից», լավ այբբենարան է սկսնակների համար: Coursera-ում արժե լսել Կ. Վորոնցովի ներածական դասախոսությունները (ընդգծում եմ, որ դրանք պահանջում են գծային հանրահաշվի լավ իմացություն) և «Մեքենայի ուսուցում» դասընթացը Սթենֆորդի համալսարանում, որը դասավանդում է պրոֆեսոր և Baidu AI-ի ղեկավար Էնդրյու Նգը: Խումբ/Google Brain.

Հիմնական մասը գրված է Python-ով, որին հաջորդում են R-ը և Lua-ն:

Եթե ​​խոսենք ուսումնական հաստատությունների մասին, ապա ավելի լավ է ընդունվել կիրառական մաթեմատիկայի և ինֆորմատիկայի բաժիններում, կան համապատասխան կրթական ծրագրեր։ Ձեր կարողությունները ստուգելու համար կարող եք մասնակցել Kaggle մրցույթներին, որտեղ համաշխարհային խոշոր բրենդներն առաջարկում են իրենց պատյանները։

Խթանել իջեցնել

Ցանկացած բիզնեսում նախագծեր սկսելուց առաջ լավ կլինի տեսական հիմքեր ձեռք բերել։ Կան բազմաթիվ վայրեր, որտեղ դուք կարող եք ստանալ պաշտոնական մագիստրոսի կոչում այս ոլորտում, կամ բարելավել ձեր որակավորումը: Օրինակ, Skoltech-ն առաջարկում է մագիստրոսական ծրագրեր «Հաշվարկային գիտություն և ճարտարագիտություն» և «Տվյալների գիտություն» ոլորտներում, որոնք ներառում են դասընթացներ «Մեքենայի ուսուցում» և «Բնական լեզվի մշակում»: Կարող եք նաև նշել Ազգային հետազոտական ​​միջուկային համալսարանի MEPhI Խելացի կիբեռնետիկ համակարգերի ինստիտուտը, Մոսկվայի պետական ​​համալսարանի հաշվողական մաթեմատիկայի և կիբեռնետիկայի ֆակուլտետը և MIPT-ի խելացի համակարգերի բաժինը:

Եթե ​​դուք արդեն ունեք պաշտոնական կրթություն, կան մի շարք դասընթացներ, որոնք հասանելի են տարբեր MOOC հարթակներում: Օրինակ, EDx.org-ն առաջարկում է արհեստական ​​ինտելեկտի դասընթացներ Microsoft-ից և Կոլումբիայի համալսարանից, որոնցից վերջինս առաջարկում է միկրո-մագիստրոսական ծրագիր ողջամիտ գնով։ Հատկապես ուզում եմ նշել, որ գիտելիքը սովորաբար կարող եք անվճար ստանալ, վկայականի համար վճարում եք միայն այն դեպքում, եթե այն անհրաժեշտ է ձեր ռեզյումեի համար:

Եթե ​​ցանկանում եք «խորապես սուզվել» թեմայի մեջ, Մոսկվայի մի շարք ընկերություններ առաջարկում են մեկշաբաթյա ինտենսիվ դասընթացներ՝ գործնական պարապմունքներով և նույնիսկ փորձերի համար սարքավորումներ (օրինակ՝ newprolab.com), սակայն նման դասընթացների գինը. սկսվում է մի քանի տասնյակ հազար ռուբլուց:

Արհեստական ​​ինտելեկտը զարգացնող ընկերություններից դուք հավանաբար գիտեք Yandex-ը և Sberbank-ը, սակայն կան շատ ուրիշներ՝ տարբեր չափերի: Օրինակ՝ այս շաբաթ ՊՆ-ն Անապայում բացեց ERA Military Innovation Technopolis-ը, որի թեմաներից մեկը ռազմական կարիքների համար AI-ի զարգացումն է։

Խթանել իջեցնել

Արհեստական ​​ինտելեկտն ուսումնասիրելուց առաջ մենք պետք է որոշենք մի հիմնարար հարց՝ խմե՞նք կարմիր հաբը, թե՞ կապույտը։
Կարմիր հաբը պետք է դառնա մշակող և ընկղմվի վիճակագրական մեթոդների, ալգորիթմների և անհայտի մշտական ​​ըմբռնման դաժան աշխարհ: Մյուս կողմից, դուք պետք չէ անմիջապես շտապել «նապաստակի անցքը». դուք կարող եք դառնալ մենեջեր և ստեղծել AI, օրինակ, որպես ծրագրի ղեկավար: Սրանք երկու սկզբունքորեն տարբեր ճանապարհներ են:

Առաջինը հիանալի է, եթե արդեն որոշել եք, որ գրելու եք արհեստական ​​ինտելեկտի ալգորիթմներ։ Ապա դուք պետք է սկսեք այսօր ամենահայտնի ուղղությունից՝ մեքենայական ուսուցումից: Դա անելու համար դուք պետք է իմանաք դասակարգման, կլաստերավորման և ռեգրեսիայի դասական վիճակագրական մեթոդները: Օգտակար կլինի նաև ծանոթանալ լուծույթի որակի գնահատման հիմնական միջոցառումներին, դրանց հատկություններին... և այն ամենին, ինչ գալիս է ձեր ճանապարհին։

Հիմքը յուրացնելուց հետո միայն արժե ուսումնասիրել ավելի մասնագիտացված մեթոդներ՝ որոշումների ծառերը և դրանց համույթները: Այս փուլում դուք պետք է խորը սուզվեք մոդելների կառուցման և ուսուցման հիմնական մեթոդների մեջ. դրանք թաքնված են հազիվ պարկեշտ բառերի հետևում, որոնք աղերսում են, խթանում, կուտակում կամ խառնում:

Արժե նաև սովորել մոդելների վերապատրաստման վերահսկման մեթոդների մասին (մեկ այլ «ին»՝ գերհամապատասխանում):

Եվ վերջապես, շատ ջեդայական մակարդակ՝ բարձր մասնագիտացված գիտելիքների ձեռքբերում: Օրինակ, խորը ուսուցումը կպահանջի տիրապետել հիմնական գրադիենտ ծագման ճարտարապետություններին և ալգորիթմներին: Եթե ​​դուք հետաքրքրված եք բնական լեզվի մշակման խնդիրներով, խորհուրդ եմ տալիս ուսումնասիրել պարբերական նեյրոնային ցանցերը: Իսկ նկարների և տեսանյութերի մշակման ալգորիթմների ապագա ստեղծողները պետք է լավ նայեն կոնվոլյուցիոն նեյրոնային ցանցերին:

Նշված վերջին երկու կառույցներն այսօր հայտնի ճարտարապետությունների կառուցման բլոկներն են՝ հակառակորդային ցանցեր (GANs), հարաբերական ցանցեր և ցանցային ցանցեր: Հետևաբար, օգտակար կլինի դրանք ուսումնասիրել, նույնիսկ եթե դուք չեք պլանավորում համակարգչին սովորեցնել տեսնել կամ լսել:

Ինտելեկտուալ ինտելեկտի ուսումնասիրության բոլորովին այլ մոտեցում, որը կոչվում է «կապույտ հաբը», սկսվում է ինքներդ ձեզ գտնելով: Արհեստական ​​ինտելեկտը ծնում է մի շարք առաջադրանքներ և ամբողջ մասնագիտություններ՝ արհեստական ​​ինտելեկտի նախագծերի մենեջերներից մինչև տվյալների ինժեներներ, որոնք ի վիճակի են պատրաստել տվյալներ, մաքրել դրանք և կառուցել մասշտաբային, բեռնված և սխալ հանդուրժող համակարգեր:

Այսպիսով, «մենեջերական» մոտեցմամբ նախ պետք է գնահատեք ձեր կարողություններն ու նախապատմությունը, նոր միայն ընտրեք, թե որտեղ և ինչ սովորել: Օրինակ, նույնիսկ առանց մաթեմատիկական մտքի դուք կարող եք նախագծել AI ինտերֆեյսներ և վիզուալիզացիաներ խելացի ալգորիթմների համար: Բայց պատրաստվիր. 5 տարի հետո արհեստական ​​ինտելեկտը կսկսի քեզ տրոլել և «հումանիստ» անվանել։

Հիմնական ML մեթոդներն իրականացվում են պատրաստի գրադարանների տեսքով, որոնք հասանելի են տարբեր լեզուներով միացման համար: Այսօր ML-ի ամենատարածված լեզուներն են՝ C++, Python և R:

Կան բազմաթիվ դասընթացներ ինչպես ռուսերենով, այնպես էլ անգլերենով, ինչպիսիք են Yandex School of Data Analysis, SkillFactory և OTUS դասընթացները: Բայց նախքան ժամանակ և գումար ներդնելը մասնագիտացված թրեյնինգում, կարծում եմ, արժե «մտնել թեմայի մեջ». դիտեք բաց դասախոսություններ YouTube-ում անցած տարիների DataFest կոնֆերանսներից, անցեք անվճար դասընթացներ Coursera-ից և Habrahabr-ից: