Wiadomości o nowościach w dziedzinie sztucznej inteligencji pojawiają się z godną pozazdroszczenia częstotliwością. Dlatego w styczniu tego roku Google ogłosił, we współpracy z firmą Movidius, plany stworzenia procesorów mobilnych z możliwością uczenia maszynowego. Deklarowanymi celami partnerstwa jest udostępnienie użytkownikom urządzeń przenośnych możliwości inteligencji maszynowej. A w lutym inżynierowie z MIT zaprezentowali już procesor Eyeriss, dzięki któremu sztuczna inteligencja może pojawić się w urządzeniach przenośnych. I to na tle faktu, że wielkość inwestycji w rozwój systemów sztucznej inteligencji rośnie z roku na rok.

Wszystko wskazuje na to, że już niedługo sztuczna inteligencja zagości w naszych smartfonach, które staną się znacznie inteligentniejsze. Czyli już niedaleko do powstania maszyn? O ile mądrzejsze muszą stać się maszyny, aby przejąć władzę nad ludźmi? I na ile jest to realne?

Sztuczna inteligencja jeden, sztuczna inteligencja dwa, sztuczna inteligencja trzy

Kiedy czytamy lub słyszymy o sztucznej inteligencji, wielu z nas wyobraża sobie SkyNet i maszyny ze słynnego filmu Terminator. Co badacze i programiści rozumieją pod tą koncepcją?

Istnieją trzy typy sztucznej inteligencji, które posiadamy lub będziemy musieli stworzyć:

Wąsko ukierunkowana sztuczna inteligencja. Właśnie to otrzymamy w najbliższej przyszłości w naszych nowych smartfonach. Taka inteligencja przewyższa inteligencję ludzką w niektórych działaniach lub operacjach. Komputer wyposażony w wysoce ukierunkowaną sztuczną inteligencję może pokonać mistrza świata w szachach, zaparkować samochód lub wybrać najbardziej trafne wyniki w wyszukiwarce.

Siła takiej sztucznej inteligencji tkwi w możliwościach obliczeniowych procesorów. Im większe są te możliwości, tym skuteczniej rozwiązuje się powierzone zadania. A wraz ze wzrostem mocy procesora nie ma już problemów. Wąsko skupiona sztuczna inteligencja, w filozofii sztucznej inteligencji (istnieje coś takiego) nazywana jest słabą.

Zdaniem naukowców same możliwości obliczeniowe nie wystarczą jednak do stworzenia naprawdę inteligentnych maszyn. Chociaż to właśnie fikcyjny przypadek spontanicznego przejścia słabej sztucznej inteligencji w silną stał się podstawą scenariusza filmów Terminator. SkyNet, superkomputer Departamentu Obrony USA przeznaczony do sterowania systemem obrony przeciwrakietowej, zyskuje świadomość i zaczyna podejmować własne decyzje.

Ogólna sztuczna inteligencja. Jeśli stworzyliśmy już systemy z wąsko ukierunkowaną sztuczną inteligencją i znaleźliśmy dla nich praktyczne zastosowania, to w przypadku General AI wszystko jest znacznie bardziej skomplikowane. Ten typ sztucznej inteligencji to już inteligencja na poziomie ludzkim. Jest uniwersalny i zdolny do wykonywania tych samych operacji intelektualnych, co ludzki mózg.

Jeśli za naszego życia zobaczymy w pełni humanoidalne roboty, będą one miały dokładnie taki typ inteligencji. Przypomnij sobie androida Andrew z filmu Chrisa Columbusa Bicentennial Man. Roboty wyposażone w taką sztuczną inteligencję będą mogły samodzielnie uczyć się, myśleć i podejmować decyzje tak jak ludzie. Będą mogli budować relacje z otaczającymi ich ludźmi, stając się przyjaciółmi i pomocnikami. To właśnie ten rodzaj sztucznej inteligencji nazywa się silną.

Istnieje jednak przepaść pomiędzy silną i słabą sztuczną inteligencją. Aby przejść od jednego do drugiego, nie wystarczy zwiększyć moc obliczeniową komputerów, trzeba jeszcze zapewnić im inteligencję. Naukowcy nie znaleźli jeszcze jasnego sposobu, aby to zrobić.

Sztuczna superinteligencja. To właśnie ten rodzaj sztucznej inteligencji przyciąga powszechną uwagę. W dużej mierze dlatego, że możliwość jego powstania przez wielu naukowców postrzegana jest jako zagrożenie dla ludzkości. SkyNet jest ilustracją takiego zagrożenia.

Superinteligencja będzie mądrzejsza niż którykolwiek z ludzi. Będzie przewyższał człowieka niemal w każdej dziedzinie. Będzie potrafił rozwiązywać złożone problemy i dokonywać odkryć naukowych. Jak inteligentna maszyna zachowa się w stosunku do ludzkości?

Naukowcy sugerują trzy modele interakcji:

Wyrocznia- potrafimy uzyskać odpowiedź na każde skomplikowane pytanie.

Gin- sam zrobi wszystko, czego potrzebujemy, wykorzystując do tego przynajmniej asembler molekularny, a nawet zrobotyzowane laboratoria i fabryki działające bez interwencji człowieka.

Suwerenny- Sam znajdzie problem i sam go rozwiąże.

Jak widać, termin „sztuczna inteligencja” zawiera w sobie trzy formy istnienia sztucznej inteligencji. A różnice między nimi są znaczące, podobnie jak konsekwencje przejścia z jednej sztucznej inteligencji na drugą. Czy potrafimy określić poziom inteligencji inteligentnych maszyn, aby zrozumieć, z kim mamy do czynienia?

Jak mierzyć sztuczną inteligencję?

Ludzie różnią się między sobą poziomem inteligencji. Aby to określić ilościowo, stosuje się specjalne testy. Test IQ jest znany wielu. Jak mierzy się inteligencję maszyn?

Jeśli bezkrytycznie podejść do doniesień medialnych, to poziom intelektualny współczesnych maszyn waha się od IQ 4-letniego dziecka do 13-letniego nastolatka. Te dwie liczby ilustrują dwa podejścia do pomiaru inteligencji maszyn.

W 2015 roku zespół naukowców z Illinois przetestował system sztucznej inteligencji ConceptNet stworzony w Massachusetts Institute of Technology za pomocą standardowego testu IQ dla dzieci w wieku od 2,5 do 7 lat. Wyniki maszyny odpowiadały średnim wynikom czteroletniego dziecka.

Oprócz stosowania testów przeznaczonych dla ludzi, powszechnie znane i stosowane są specjalne testy przeznaczone dla maszyn. Test Turinga ma na celu sprawdzenie, czy maszyna potrafi myśleć.

Test wygląda następująco. Jedna osoba – sędzia – komunikuje się z dwoma rozmówcami, których nie widzi. Wszelka interakcja odbywa się korespondencyjnie przy użyciu komputera pośredniczącego. Jednym z rozmówców jest osoba, a drugim program komputerowy udający osobę. Jeśli sędzia nie jest w stanie jednoznacznie stwierdzić, który z jego rozmówców jest programem, uznaje się, że maszyna zdała egzamin.

Do tej pory Test Turinga został zdany tylko raz. W 2014 roku program Eugene Goostman, który imitował 13-letnią nastolatkę nazwaną przez twórców Zhenya Goostman, był w stanie wprowadzić sędziów w błąd i podszyć się pod osobę.

Istnieje jednak wiele zastrzeżeń do takich testów. Zarówno komputery, jak i ich programy są dziś nośnikami słabej, wąsko ukierunkowanej sztucznej inteligencji. Taka inteligencja może jedynie imitować osobę przystępującą do testu.

Wszystko się zmieni, gdy przejdziemy ze słabej sztucznej inteligencji na silną. Maszyna wyposażona w ogólną sztuczną inteligencję, która będzie podobna do inteligencji ludzkiej, będzie już miała świadomość i samoświadomość, a zatem będzie myśleć. Taki komputer przejdzie standardowy test IQ, odpowiadając świadomie na pytania, tak jak robi to człowiek.

Ludzkie IQ waha się od 85 do 130. Te same wskaźniki będą dostępne dla ogólnej sztucznej inteligencji. Ale górny poziom IQ sztucznej superinteligencji nie będzie miał żadnych ograniczeń. Może to być 1000 lub 10 000. Co nas czeka w miarę ulepszania sztucznej inteligencji?

Od czasu wynalezienia komputerów ich zdolność do wykonywania różnych zadań stale rośnie wykładniczo. Ludzie rozwijają moc systemów komputerowych, zwiększając zadania i zmniejszając rozmiar komputerów. Głównym celem badaczy zajmujących się sztuczną inteligencją jest tworzenie komputerów lub maszyn tak inteligentnych jak człowiek.

Pomysłodawcą terminu „sztuczna inteligencja” jest John McCarthy, wynalazca języka Lisp, twórca programowania funkcjonalnego i zdobywca nagrody Turinga za ogromny wkład w dziedzinę badań nad sztuczną inteligencją.

Sztuczna inteligencja to sposób na stworzenie komputera, sterowanego komputerowo robota lub programu zdolnego do inteligentnego myślenia jak człowiek.

Badania z zakresu AI prowadzone są poprzez badanie zdolności umysłowych człowieka, a następnie wyniki tych badań służą jako podstawa do opracowywania inteligentnych programów i systemów.

Filozofia AI

Obsługując potężne systemy komputerowe, wszyscy zadawali sobie pytanie: „Czy maszyna może myśleć i zachowywać się tak samo jak człowiek?” "

Tym samym rozwój AI rozpoczął się od zamiaru stworzenia w maszynach inteligencji podobnej do inteligencji ludzkiej.

Główne cele AI

• Tworzenie systemów ekspertowych – systemów wykazujących inteligentne zachowania: uczą się, pokazują, wyjaśniają i udzielają porad;
• Wdrożenie ludzkiej inteligencji w maszynach polega na stworzeniu maszyny zdolnej do rozumienia, myślenia, nauczania i zachowywania się jak człowiek.

Co napędza rozwój sztucznej inteligencji?

Sztuczna inteligencja to nauka i technologia oparta na takich dyscyplinach, jak informatyka, biologia, psychologia, językoznawstwo, matematyka i inżynieria mechaniczna. Jednym z głównych obszarów sztucznej inteligencji jest rozwój funkcji komputera związanych z ludzką inteligencją, takich jak rozumowanie, uczenie się i rozwiązywanie problemów.

Program z AI i bez niej

Programy z AI i bez niej różnią się następującymi właściwościami:

Aplikacje AI

Sztuczna inteligencja stała się dominująca w różnych dziedzinach, takich jak:

Gry – sztuczna inteligencja odgrywa decydującą rolę w grach związanych ze strategią, takich jak szachy, poker, kółko i krzyżyk itp., gdzie komputer jest w stanie obliczyć dużą liczbę różnych decyzji w oparciu o wiedzę heurystyczną.

Przetwarzanie języka naturalnego to zdolność komunikowania się z komputerem, który rozumie język naturalny, którym mówi człowiek.

Rozpoznawanie mowy – niektóre inteligentne systemy są w stanie usłyszeć i zrozumieć język, w którym dana osoba się z nią komunikuje. Potrafią posługiwać się różnymi akcentami, slangiem itp.

Rozpoznawanie pisma ręcznego – program odczytuje tekst napisany długopisem na papierze lub rysikiem na ekranie. Potrafi rozpoznawać kształty liter i konwertować je na tekst edytowalny.

Inteligentne roboty to roboty zdolne do wykonywania zadań zleconych przez człowieka. Posiadają czujniki wykrywające dane fizyczne ze świata rzeczywistego, takie jak światło, ciepło, ruch, dźwięk, wstrząs i ciśnienie. Mają wysokowydajne procesory, wiele czujników i ogromną pamięć. Ponadto potrafią uczyć się na własnych błędach i dostosowywać się do nowego środowiska.

Historia rozwoju sztucznej inteligencji

Oto historia rozwoju sztucznej inteligencji w XX wieku

W tym roku Yandex wypuścił asystenta głosowego Alice. Nowa usługa pozwala użytkownikowi słuchać aktualności i pogody, uzyskiwać odpowiedzi na pytania i po prostu komunikować się z botem. „Alicja” czasami staje się zarozumiały, czasami wydaje się niemal rozsądna i po ludzku sarkastyczna, ale często nie może zrozumieć, o co ją pytają, i kończy w kałuży.

Wszystko to wywołało nie tylko falę żartów, ale także nową rundę dyskusji na temat rozwoju sztucznej inteligencji. Wiadomości o tym, co osiągnęły inteligentne algorytmy, pojawiają się dziś niemal codziennie, a uczenie maszynowe nazywane jest jednym z najbardziej obiecujących obszarów, którym można się poświęcić.

Aby wyjaśnić główne pytania dotyczące sztucznej inteligencji, rozmawialiśmy z Siergiejem Markowem, specjalistą od metod sztucznej inteligencji i uczenia maszynowego, autorem jednego z najpotężniejszych krajowych programów szachowych SmarThink i twórcą projektu XXII Wiek.

Siergiej Markow,

specjalista od sztucznej inteligencji

Obalamy mity na temat AI

czym więc jest „sztuczna inteligencja”?

Koncepcja „sztucznej inteligencji” okazała się w pewnym stopniu pechowa. Wywodząca się początkowo ze środowiska naukowego, z czasem przeniknęła do literatury fantastycznej, a za jej pośrednictwem do popkultury, gdzie przeszła szereg przemian, zyskała wiele interpretacji, a ostatecznie została całkowicie zmistyfikowana.

Dlatego często słyszymy od niespecjalistów takie stwierdzenia: „AI nie istnieje”, „AI nie da się stworzyć”. Niezrozumienie natury badań nad sztuczną inteligencją łatwo prowadzi ludzi do innych skrajności – przykładowo współczesne systemy sztucznej inteligencji przypisuje się obecności świadomości, wolnej woli i tajnych motywów.

Spróbujmy oddzielić muchy od kotletów.

W nauce sztuczna inteligencja odnosi się do systemów zaprojektowanych w celu rozwiązywania problemów intelektualnych.

Z kolei zadanie intelektualne to zadanie, które człowiek rozwiązuje wykorzystując własną inteligencję. Należy zwrócić uwagę, że w tym przypadku eksperci celowo unikają definiowania pojęcia „inteligencja”, gdyż przed pojawieniem się systemów AI jedynym przykładem inteligencji była inteligencja ludzka, a zdefiniowanie pojęcia inteligencji na podstawie pojedynczego przykładu jest równoznaczne z próbą narysować linię prostą przechodzącą przez pojedynczy punkt. Takich linii może być wiele, co oznacza, że ​​debata na temat pojęcia inteligencji może trwać wieki.

„silna” i „słaba” sztuczna inteligencja

Systemy AI dzielą się na dwie duże grupy.

Zastosowana sztuczna inteligencja(używa się również określenia „słaba AI” lub „wąska AI”, w tradycji angielskiej – słaba/zastosowana/wąska AI) to sztuczna inteligencja zaprojektowana w celu rozwiązania dowolnego pojedynczego problemu intelektualnego lub ich niewielkiego zestawu. Do tej klasy zaliczają się systemy do gry w szachy, Go, rozpoznawania obrazu, mowy, podejmowania decyzji o udzieleniu lub nieudzieleniu kredytu bankowego i tak dalej.

W przeciwieństwie do stosowanej sztucznej inteligencji, koncepcja ta została wprowadzona uniwersalna sztuczna inteligencja(także „strong AI”, po angielsku – strong AI/Artificial General Intelligence) – czyli hipotetyczna (na razie) sztuczna inteligencja zdolna do rozwiązania wszelkich problemów intelektualnych.

Często ludzie, nie znając terminologii, utożsamiają AI z silną AI, dlatego pojawiają się oceny w duchu „AI nie istnieje”.

Silna sztuczna inteligencja jeszcze tak naprawdę nie istnieje. Prawie wszystkie postępy, jakie zaobserwowaliśmy w ciągu ostatniej dekady w dziedzinie sztucznej inteligencji, to postępy w systemach aplikacji. Sukcesów tych nie należy lekceważyć, gdyż stosowane systemy w niektórych przypadkach są w stanie rozwiązywać problemy intelektualne lepiej niż uniwersalna inteligencja człowieka.

Myślę, że zauważyłeś, że pojęcie AI jest dość szerokie. Powiedzmy, że obliczenia mentalne są również zadaniem intelektualnym, a to oznacza, że ​​każda maszyna licząca będzie uważana za system sztucznej inteligencji. A co z rachunkami? Liczydło? Mechanizm z Antykithiry? Rzeczywiście wszystkie z nich są formalnie, choć prymitywne, systemami sztucznej inteligencji. Zwykle jednak nazywając system systemem AI, podkreślamy w ten sposób złożoność problemu rozwiązywanego przez ten system.

Jest rzeczą oczywistą, że podział zadań intelektualnych na proste i złożone jest bardzo sztuczny, a nasze wyobrażenia o złożoności niektórych zadań stopniowo się zmieniają. Mechaniczna maszyna licząca była cudem techniki w XVII wieku, ale dziś ludzie, którzy od dzieciństwa mieli kontakt ze znacznie bardziej złożonymi mechanizmami, nie są już w stanie jej zaimponować. Kiedy samochody grające w Go czy samochody autonomiczne przestaną zadziwiać opinię publiczną, zapewne znajdą się osoby, które się skrzywią, bo ktoś zaklasyfikuje takie systemy jako AI.

„Doskonałe roboty”: o zdolnościach uczenia się sztucznej inteligencji

Innym zabawnym błędnym przekonaniem jest to, że systemy AI muszą mieć zdolność do samouczenia się. Z jednej strony nie jest to konieczna właściwość systemów AI: istnieje wiele niesamowitych systemów, które nie są zdolne do samouczenia się, ale mimo to rozwiązują wiele problemów lepiej niż ludzki mózg. Z drugiej strony niektórzy po prostu nie wiedzą, że samouczenie się to właściwość, którą wiele systemów AI nabyło ponad pięćdziesiąt lat temu.

Kiedy w 1999 roku pisałem swój pierwszy program szachowy, samokształcenie było już w tej dziedzinie zjawiskiem zupełnie powszechnym - programy potrafiły zapamiętywać niebezpieczne pozycje, dostosowywać do siebie warianty otwarcia i regulować styl gry, dostosowując się do przeciwnika. Oczywiście programy te wciąż były bardzo dalekie od Alpha Zero. Jednak nawet systemy, które uczyły się zachowań w oparciu o interakcje z innymi systemami poprzez eksperymenty w ramach tak zwanego „uczenia się przez wzmacnianie”, już istniały. Jednak z jakiegoś niewytłumaczalnego powodu niektórzy ludzie nadal uważają, że zdolność do samokształcenia jest przywilejem ludzkiej inteligencji.

Uczenie maszynowe, cała dyscyplina naukowa, zajmuje się procesami uczenia maszyn rozwiązywania określonych problemów.

Istnieją dwa główne bieguny uczenia maszynowego – uczenie się nadzorowane i uczenie się bez nadzoru.

Na trening z nauczycielem maszyna ma już pewną liczbę warunkowo poprawnych rozwiązań dla pewnego zestawu przypadków. Zadaniem szkolenia w tym przypadku jest nauczenie maszyny, na podstawie dostępnych przykładów, podejmowania właściwych decyzji w innych, nieznanych sytuacjach.

Druga skrajność to uczyć się bez nauczyciela. Oznacza to, że maszyna zostaje umieszczona w sytuacji, w której nie są znane właściwe decyzje, dostępne są jedynie dane w surowej, nieoznakowanej formie. Okazuje się, że w takich przypadkach można osiągnąć pewien sukces. Można na przykład nauczyć maszynę identyfikowania relacji semantycznych pomiędzy słowami w języku na podstawie analizy bardzo dużego zbioru tekstów.

Jednym z rodzajów uczenia się nadzorowanego jest uczenie się przez wzmacnianie. Pomysł jest taki, że system AI działa jak agent umieszczony w jakimś symulowanym środowisku, w którym może wchodzić w interakcję z innymi agentami, na przykład swoimi kopiami, i otrzymywać informację zwrotną od otoczenia poprzez funkcję nagrody. Na przykład program szachowy, który gra sam ze sobą, stopniowo dostosowując swoje parametry i tym samym stopniowo wzmacniając swoją własną grę.

Uczenie się przez wzmacnianie to dość szeroka dziedzina, w której wykorzystuje się wiele interesujących technik, począwszy od algorytmów ewolucyjnych po optymalizację Bayesa. Najnowsze osiągnięcia w dziedzinie sztucznej inteligencji w grach polegają na ulepszaniu sztucznej inteligencji poprzez uczenie się przez wzmacnianie.

Zagrożenia rozwoju technologii: czy powinniśmy bać się „dnia sądu”?

Nie jestem jednym z alarmistów AI i w tym sensie nie jestem bynajmniej osamotniony. Na przykład twórca kursu Stanforda na temat uczenia maszynowego, Andrew Ng, porównuje problem zagrożenia AI z problemem przeludnienia Marsa.

Rzeczywiście jest prawdopodobne, że w przyszłości ludzie skolonizują Marsa. Jest również prawdopodobne, że prędzej czy później na Marsie może pojawić się problem przeludnienia, jednak nie jest do końca jasne, dlaczego mielibyśmy zajmować się tym problemem właśnie teraz? Z Ng zgadzają się Yann LeCun, twórca splotowych sieci neuronowych i jego szef Mark Zuckerberg oraz Yoshua Benyo, człowiek w dużej mierze dzięki którego badaniom współczesne sieci neuronowe są w stanie rozwiązywać złożone problemy z zakresu przetwarzania tekstu.

Przedstawienie moich poglądów na ten problem zajmie prawdopodobnie kilka godzin, dlatego skupię się tylko na głównych punktach.

1. NIE MOŻESZ OGRANICZAĆ ROZWOJU AI

Alarmiści biorą pod uwagę ryzyko związane z potencjalnym destrukcyjnym wpływem sztucznej inteligencji, ignorując jednocześnie ryzyko związane z próbą ograniczenia lub nawet zatrzymania postępu w tym obszarze. Moc technologiczna ludzkości rośnie w niezwykle szybkim tempie, prowadząc do efektu, który nazywam „taństwem apokalipsy”.

150 lat temu, przy całym pragnieniu, ludzkość nie mogła wyrządzić nieodwracalnych szkód ani biosferze, ani sobie jako gatunkowi. Aby zrealizować katastrofalny scenariusz sprzed 50 lat, konieczna byłaby koncentracja całej siły technologicznej mocarstw nuklearnych. Jutro niewielka garstka fanatyków może wystarczyć, aby spowodować globalną katastrofę spowodowaną przez człowieka.

Nasza moc technologiczna rośnie znacznie szybciej niż zdolność ludzkiej inteligencji do kontrolowania tej mocy.

Chyba że ludzką inteligencję, z jej uprzedzeniami, agresją, złudzeniami i ograniczeniami, zastąpi system zdolny do podejmowania lepszych decyzji (czy to sztuczna inteligencja, czy, co moim zdaniem jest bardziej prawdopodobne, inteligencja ludzka, wzmocniona technologicznie i połączona z maszynami w jeden system) możemy czekać na globalną katastrofę.

2. stworzenie superinteligencji jest zasadniczo niemożliwe

Istnieje pogląd, że sztuczna inteligencja przyszłości z pewnością będzie superinteligencją, przewyższającą ludzi nawet bardziej niż ludzie przewyższają mrówki. W tym przypadku obawiam się, że rozczaruję także technologicznych optymistów – nasz Wszechświat zawiera szereg fundamentalnych ograniczeń fizycznych, które najwyraźniej uniemożliwiają stworzenie superinteligencji.

Przykładowo prędkość transmisji sygnału jest ograniczona prędkością światła, a w skali Plancka pojawia się niepewność Heisenberga. Prowadzi to do pierwszego podstawowego ograniczenia – granicy Bremermanna, która wprowadza ograniczenia maksymalnej szybkości obliczeń dla układu autonomicznego o danej masie m.

Kolejne ograniczenie wiąże się z zasadą Landauera, zgodnie z którą przy przetwarzaniu 1 bitu informacji powstaje minimalna ilość ciepła. Zbyt szybkie obliczenia spowodują niedopuszczalne nagrzewanie się i zniszczenie układu. W rzeczywistości nowoczesne procesory są mniej niż tysiąc razy gorsze od limitu Landauera. Wydawać by się mogło, że 1000 to całkiem sporo, jednak kolejnym problemem jest to, że wiele zadań intelektualnych należy do klasy trudności EXPTIME. Oznacza to, że czas potrzebny na ich rozwiązanie jest funkcją wykładniczą wielkości problemu. Kilkukrotne przyspieszanie systemu daje jedynie stały wzrost „inteligencji”.

Ogólnie rzecz biorąc, istnieją bardzo poważne powody, aby sądzić, że superinteligentna silna sztuczna inteligencja nie zadziała, chociaż oczywiście poziom ludzkiej inteligencji może zostać przekroczony. Jak niebezpieczne jest to? Najprawdopodobniej nie bardzo.

Wyobraź sobie, że nagle zacząłeś myśleć 100 razy szybciej niż inni ludzie. Czy to oznacza, że ​​bez problemu nakłonisz dowolnego przechodnia, by oddał Ci swój portfel?

3. Martwimy się niewłaściwymi rzeczami

Niestety, w wyniku panikarskich spekulacji na temat obaw społeczeństwa, podniesionych w związku z „Terminatorem” i słynnym HAL 9000 Clarka i Kubricka, następuje przesunięcie akcentu w obszarze bezpieczeństwa AI w kierunku analizy nieprawdopodobnych , ale skuteczne scenariusze. Jednocześnie traci się z oczu realne niebezpieczeństwa.

Każda wystarczająco złożona technologia, która aspiruje do zajęcia ważnego miejsca w naszym krajobrazie technologicznym, z pewnością niesie ze sobą określone ryzyko. Silniki parowe zniszczyły wiele istnień ludzkich – w produkcji, transporcie i tak dalej – zanim opracowano skuteczne przepisy i środki bezpieczeństwa.

Jeśli mówimy o postępie w dziedzinie stosowanej sztucznej inteligencji, możemy zwrócić uwagę na związany z tym problem tzw. „Cyfrowego Tajnego Sądu”. Coraz więcej aplikacji AI podejmuje decyzje w kwestiach mających wpływ na życie i zdrowie ludzi. Dotyczy to systemów diagnostyki medycznej oraz np. systemów podejmujących w bankach decyzje o udzieleniu lub nieudzieleniu kredytu klientowi.

Jednocześnie struktura stosowanych modeli, stosowane zestawy czynników i inne szczegóły procedury decyzyjnej są ukrywane jako tajemnica handlowa przed osobą, której losy są zagrożone.

Stosowane modele mogą opierać swoje decyzje na opiniach nauczycieli-ekspertów, którzy popełniali systematyczne błędy lub mieli pewne uprzedzenia – rasowe, płciowe.

Sztuczna inteligencja wytrenowana na podstawie decyzji takich ekspertów będzie wiernie odtwarzać te uprzedzenia w swoich decyzjach. W końcu modele te mogą zawierać określone wady.

Niewiele osób zajmuje się teraz tymi problemami, bo oczywiście rozpoczęcie wojny nuklearnej przez SkyNet jest oczywiście znacznie bardziej spektakularne.

Sieci neuronowe jako „gorący trend”

Z jednej strony sieci neuronowe są jednymi z najstarszych modeli wykorzystywanych do tworzenia systemów AI. Pojawiające się początkowo w wyniku podejścia bionicznego, szybko uciekły od swoich biologicznych prototypów. Jedynym wyjątkiem są tu impulsowe sieci neuronowe (jednak nie znalazły one jeszcze szerokiego zastosowania w przemyśle).

Postęp ostatnich dziesięcioleci związany jest z rozwojem technologii głębokiego uczenia się – podejścia, w którym sieci neuronowe składają się z dużej liczby warstw, z których każda zbudowana jest w oparciu o pewne regularne wzorce.

Oprócz stworzenia nowych modeli sieci neuronowych, istotny postęp nastąpił także w dziedzinie technologii uczenia się. Obecnie sieci neuronowych nie uczy się już przy użyciu centralnych procesorów komputerowych, ale przy użyciu wyspecjalizowanych procesorów zdolnych do szybkiego wykonywania obliczeń macierzowych i tensorowych. Najpopularniejszym obecnie typem takich urządzeń są karty graficzne. Jednakże aktywnie trwają prace nad rozwojem jeszcze bardziej wyspecjalizowanych urządzeń do uczenia sieci neuronowych.

Ogólnie rzecz biorąc, sieci neuronowe są dziś jedną z głównych technologii w dziedzinie uczenia maszynowego, któremu zawdzięczamy rozwiązanie wielu problemów, które wcześniej były rozwiązywane w sposób niezadowalający. Z drugiej strony trzeba oczywiście zrozumieć, że sieci neuronowe nie są panaceum. W przypadku niektórych zadań są one dalekie od najskuteczniejszego narzędzia.

Jak naprawdę inteligentne są dzisiejsze roboty?

Wszystko jest względne. W porównaniu z technologią z 2000 roku obecne osiągnięcia wyglądają jak prawdziwy cud. Zawsze znajdą się ludzie, którzy lubią narzekać. 5 lat temu z całych sił rozmawiali o tym, że maszyny nigdy nie wygrają z ludźmi w Go (a przynajmniej nie wygrają wkrótce). Mówili, że maszyna nigdy nie będzie w stanie narysować obrazu od zera, a dziś ludzie praktycznie nie potrafią odróżnić obrazów stworzonych przez maszyny od obrazów nieznanych im artystów. Pod koniec ubiegłego roku maszyny nauczyły się syntetyzować mowę, która jest praktycznie nie do odróżnienia od mowy ludzkiej, a w ostatnich latach muzyka tworzona przez maszyny nie męczy uszu.

Zobaczmy, co stanie się jutro. Jestem bardzo optymistyczny, jeśli chodzi o zastosowania sztucznej inteligencji.

Obiecujące wskazówki: od czego zacząć zagłębianie się w dziedzinę sztucznej inteligencji?

Radziłbym spróbować dobry poziom opanuj jeden z popularnych frameworków sieci neuronowych i jeden z najpopularniejszych języków programowania w obszarze uczenia maszynowego (najpopularniejszą obecnie kombinacją jest TensorFlow + Python).

Mając opanowane te narzędzia i najlepiej mając mocne podstawy w dziedzinie statystyki matematycznej i teorii prawdopodobieństwa, powinieneś skierować swoje wysiłki w obszar, który będzie dla ciebie najbardziej interesujący.

Zainteresowanie tematem Twojej pracy jest jednym z Twoich najważniejszych asystentów.

Zapotrzebowanie na specjalistów zajmujących się uczeniem maszynowym jest największe różne obszary- w medycynie, bankowości, nauce, produkcji, więc dziś dobry specjalista ma większy wybór niż kiedykolwiek wcześniej. Potencjalne korzyści z którejkolwiek z tych branż wydają mi się nieistotne w porównaniu z faktem, że będziesz czerpać przyjemność z pracy.

„Jesteśmy u progu największych zmian porównywalnych z ewolucją człowieka” – pisarz science fiction Vernor Stefan Vinge

Jak byś się czuł, wiedząc, że jesteś o krok od ogromnej zmiany, tak jak mały człowieczek na poniższym wykresie?

Oś pionowa to rozwój ludzkości, oś pozioma to czas

Ekscytujące, prawda?

Jeśli jednak ukryjesz część wykresu, wszystko wygląda znacznie bardziej prozaicznie.

Odległa przyszłość jest tuż za rogiem

Wyobraź sobie, że znajdujesz się w roku 1750. W tamtych czasach nie słyszano jeszcze o elektryczności, porozumiewanie się na odległość odbywało się przy pomocy pochodni, a jedynym środkiem transportu było przed podróżą karmienie się sianem. Postanawiasz więc zabrać ze sobą „osobę z przeszłości” i pokazać jej życie w 2016 roku. Nie sposób sobie nawet wyobrazić, co by czuł, gdyby znalazł się na szerokich, równych ulicach, po których mknęły samochody. Twój gość byłby niesamowicie zaskoczony, że współcześni ludzie mogą porozumiewać się nawet będąc w różnych stronach globu, śledzić wydarzenia sportowe w innych krajach, oglądać koncerty sprzed 50 lat, a także zapisać dowolną chwilę na zdjęciu lub filmie. A gdybyś opowiedział temu człowiekowi z 1750 roku o Internecie, Międzynarodowej Stacji Kosmicznej, Wielkim Zderzaczu Hadronów i teorii względności, jego pogląd na świat prawdopodobnie by się załamał. Mógłby nawet umrzeć z nadmiaru wrażeń.

Ale co ciekawe: jeśli Twój gość powrócił do swojego „rodzimego” stulecia i zdecydował się przeprowadzić podobny eksperyment, zabierając osobę z 1500 roku na przejażdżkę wehikułem czasu, to choć przybysza z przeszłości również wielu może zaskoczyć rzeczy, jego doświadczenie nie byłoby tak imponujące — różnica między rokiem 1500 a 1750 nie jest tak zauważalna jak między 1750 a 2016 rokiem.

Jeśli ktoś z XVIII wieku chce zaimponować gościowi z przeszłości, będzie musiał zaprosić kogoś, kto żył w roku 12 000 p.n.e., przed Wielką Rewolucją Agrarną. Naprawdę mógł być „zdumiony” rozwojem technologii. Widząc wysokie dzwonnice kościołów, statki przemierzające oceany, tysiące mieszkańców miast, mdlał z wzbierających emocji.

Tempo rozwoju technologii i społeczeństwa stale rośnie. Słynny amerykański wynalazca i futurysta Raymond Kurzweil nazywa to określenie „prawem przyspieszenia historii”. Dzieje się tak dlatego, że wprowadzenie nowych technologii pozwala społeczeństwu rozwijać się w coraz szybszym tempie. Na przykład ludzie żyjący w XIX wieku dysponowali bardziej zaawansowaną technologią niż ludzie w XV wieku. Nic więc dziwnego, że wiek XIX przyniósł ludzkości więcej osiągnięć niż wiek XV.

Ale skoro technologia rozwija się coraz szybciej, to w przyszłości powinniśmy spodziewać się wielu najwspanialszych wynalazków, prawda? Jeśli Kurzweil i jego podobnie myślący ludzie mają rację, to w 2030 roku doświadczymy tych samych emocji, co osoba, która przybyła do nas w roku 1750. A do 2050 roku świat zmieni się tak bardzo, że prawie nie będziemy w stanie dostrzec cech poprzednich dekad.

Wszystko to nie jest science fiction - jest naukowo potwierdzone i całkiem logiczne. Jednak wielu nadal jest sceptycznych wobec takich twierdzeń. Dzieje się tak z wielu powodów:

1. Wiele osób wierzy, że rozwój społeczeństwa następuje równomiernie i prosto. Kiedy myślimy o tym, jak będzie wyglądał świat za 30 lat, pamiętamy, co wydarzyło się w ciągu ostatnich 30 lat. W tym miejscu popełniamy ten sam błąd, co osoba z powyższego przykładu, która żyła w roku 1750 i zaprosiła gościa z roku 1500. Aby właściwie wyobrazić sobie nadchodzący postęp, trzeba sobie wyobrazić, że rozwój następuje w znacznie szybszym tempie niż w odległej przeszłości.

2. Błędnie postrzegamy trajektorię rozwoju współczesnego społeczeństwa. Na przykład, jeśli spojrzymy na mały odcinek krzywej wykładniczej, może nam się wydawać, że jest to linia prosta (tak jak gdybyśmy patrzyli na część koła). Jednak wykładniczy wzrost nie jest płynny i gładki. Kurzweil wyjaśnia, że ​​postęp przebiega po krzywej w kształcie litery S, jak pokazano na poniższym wykresie:

Każda „runda” rozwoju rozpoczyna się od nagłego skoku, który następnie zostaje zastąpiony stałym i stopniowym wzrostem.

Tak więc każda nowa „runda” rozwoju jest podzielona na kilka etapów:

1. Powolny wzrost (wczesna faza rozwoju);
2. Szybki wzrost (drugie, „wybuchowe” określenie rozwoju);
3. „Wyrównanie”, kiedy Nowa technologia doprowadzony do perfekcji.

Jeśli spojrzymy na ostatnie wydarzenia, możemy dojść do wniosku, że nie do końca zdajemy sobie sprawę z tego, jak szybko rozwija się technologia. Na przykład w latach 1995–2007 mogliśmy zaobserwować pojawienie się Internetu, Microsoftu, Google i Facebooka, portale społecznościowe, telefony komórkowe, a następnie smartfony. Ale okres między 2008 a 2016 rokiem nie był tak bogaty w odkrycia, przynajmniej w dziedzinie wysokich technologii. Tym samym jesteśmy obecnie na 3. etapie linii rozwoju w kształcie litery S.

3. Wiele osób jest zakładnikami własnych doświadczeń życiowych, które zniekształcają ich pogląd na przyszłość. Kiedy słyszymy jakąkolwiek prognozę dotyczącą przyszłości, która jest sprzeczna z naszym punktem widzenia wynikającym z wcześniejszych doświadczeń, uważamy ten osąd za naiwny. Na przykład, jeśli dzisiaj powiedzą Ci, że w przyszłości ludzie będą żyć 150-250 lat lub , to najprawdopodobniej odpowiesz: „To głupie, bo powszechnie wiadomo, że każdy jest śmiertelny”. Rzeczywiście, wszyscy ludzie, którzy kiedykolwiek żyli w przeszłości, umarli i umierają nadal. Warto jednak zauważyć, że samolotami też nikt nie latał, dopóki w końcu ich nie wynaleziono.

Tak naprawdę wiele się zmieni w ciągu najbliższych kilku dekad, a zmiany będą tak znaczące, że trudno to sobie teraz nawet wyobrazić. Po przeczytaniu tego artykułu do końca możesz dowiedzieć się więcej o tym, co dzieje się obecnie w świecie nauki i wysokich technologii.

Czym jest sztuczna inteligencja (AI)?

1. Sztuczna inteligencja kojarzy nam się z filmami takimi jak „Gwiezdne Wojny”, „Terminator” i tak dalej. W tym sensie traktujemy to jako fikcję.

2. AI to dość szerokie pojęcie. Dotyczy to zarówno kalkulatorów kieszonkowych, jak i samochodów autonomicznych. Taka różnorodność jest myląca.

3. Na co dzień wykorzystujemy sztuczną inteligencję, ale nie zdajemy sobie z tego sprawy. Sztuczną inteligencję postrzegamy jako coś mitycznego ze świata przyszłości, dlatego trudno nam zdać sobie sprawę, że ona już nas otacza.

W związku z tym konieczne jest zrozumienie kilku rzeczy raz na zawsze. Po pierwsze, sztuczna inteligencja nie jest robotem. Robot to rodzaj powłoki AI, która czasami ma zarys ludzkiego ciała. Jednak sztuczna inteligencja to komputer wewnątrz robota. Można go porównać do mózgu znajdującego się w ludzkim ciele. Na przykład kobiecy głos, który słyszymy, jest tylko personifikacją.

Po drugie, prawdopodobnie spotkałeś się już z pojęciem „osobliwości” lub „osobliwości technologicznej”. Termin ten został użyty do opisania sytuacji, w której nie mają zastosowania zwykłe prawa i zasady. Pojęcie to stosowane jest w fizyce do opisu czarnych dziur lub momentu kompresji Wszechświata przed Wielkim Wybuchem. W 1993 roku Vernor Vinge opublikował swój słynny esej, w którym wykorzystał osobliwość do określenia momentu w przyszłości, w którym sztuczna inteligencja przewyższy naszą. Jego zdaniem, gdy nadejdzie ten moment, świat ze wszystkimi jego zasadami i prawami przestanie istnieć tak jak wcześniej.

Wreszcie istnieje kilka rodzajów sztucznej inteligencji, wśród których można wyróżnić trzy główne kategorie:

1. Ograniczona sztuczna inteligencja (ANI, sztuczna wąska inteligencja). Jest to sztuczna inteligencja specjalizująca się w jednym konkretnym obszarze. Na przykład może pokonać mistrza świata w szachach w partii szachowej, ale to wszystko, co może zrobić.

2. Ogólna sztuczna inteligencja (AGI, Sztuczna Inteligencja Ogólna). Taka sztuczna inteligencja to komputer, którego inteligencja przypomina człowieka, czyli może wykonywać te same zadania, co człowiek. Profesor Linda Gottfredson opisuje to zjawisko w następujący sposób: „Ogólna sztuczna inteligencja ucieleśnia uogólnione zdolności myślenia, które obejmują także zdolność rozumowania, planowania, rozwiązywania problemów, myślenia abstrakcyjnego, porównywania złożonych pomysłów, szybkiego uczenia się i wykorzystywania zgromadzonego doświadczenia”.

3. Sztuczna superinteligencja (ASI, Sztuczna Superinteligencja). Szwedzki filozof i profesor Uniwersytetu Oksfordzkiego Nick Bostrom definiuje superinteligencję jako „inteligencję przewyższającą inteligencję ludzką praktycznie we wszystkich obszarach, w tym w wynalazkach naukowych, wiedzy ogólnej i umiejętnościach społecznych”.

Obecnie ludzkość z powodzeniem korzysta już z ograniczonej sztucznej inteligencji. Jesteśmy na dobrej drodze do opanowania AGI. W poniższych sekcjach artykułu szczegółowo omówiono każdą z tych kategorii.

Świat rządzony przez ograniczoną sztuczną inteligencję

Ograniczona sztuczna inteligencja to inteligencja maszynowa, która jest równa inteligencji ludzkiej lub przewyższa ją w rozwiązywaniu wąskich problemów. Poniżej kilka przykładów:

• autonomiczny samochód od Google, który rozpoznaje i reaguje na różne przeszkody na swojej drodze;
• jest „przystanią” różne formy ograniczona sztuczna inteligencja. Gdy poruszasz się po mieście, korzystając ze wskazówek nawigacji, otrzymuj rekomendacje muzyczne od Pandory, sprawdzaj prognozę pogody, rozmawiaj z Siri, korzystasz z ANI;
• filtry antyspamowe w Twojej poczcie - najpierw uczą się rozpoznawać spam, a następnie analizując swoje dotychczasowe doświadczenia i Twoje preferencje, przenoszą listy do specjalnego folderu;
• tłumacz Google Translate to klasyczny przykład ograniczonej sztucznej inteligencji, która radzi sobie wystarczająco dobrze ze swoim wąskim zadaniem;
• w momencie lądowania specjalny system oparty na sztucznej inteligencji określa, przez którą bramkę pasażerowie powinni wyjść.

Ograniczone systemy sztucznej inteligencji nie stanowią żadnego zagrożenia dla człowieka. W najgorszym przypadku awaria takiego systemu może spowodować lokalną katastrofę w postaci skoku napięcia lub niewielkiego załamania na rynku finansowym.

Każdy nowy wynalazek z zakresu ograniczonej sztucznej inteligencji przybliża nas o krok do stworzenia powszechnej sztucznej inteligencji.

Dlaczego to jest takie trudne?

Gdybyś próbował stworzyć komputer o tej samej inteligencji co człowiek, zacząłbyś naprawdę cenić swoją zdolność myślenia. Projektowanie drapaczy chmur, wystrzeliwanie rakiet w kosmos, studiowanie teorii Wielkiego Wybuchu – wszystko to jest znacznie łatwiejsze do osiągnięcia niż badanie ludzkiego mózgu. W tej chwili nasz umysł jest najbardziej złożonym obiektem w obserwowalnym Wszechświecie.

Najciekawsze jest to, że trudności w tworzeniu ogólnej AI pojawiają się w najbardziej pozornie prostych rzeczach. Przykładowo stworzenie urządzenia, które potrafiłoby pomnożyć liczby dziesięciocyfrowe w ułamku sekundy, nie jest trudne. Jednocześnie niezwykle trudno jest napisać program, który potrafiłby rozpoznać, kto znajduje się przed monitorem: kot czy pies. Stworzyć komputer, który pokona człowieka w szachach? Łatwo! Zmusić maszynę do przeczytania i zrozumienia tego, co jest napisane w książce dla dzieci? Google wydaje miliardy dolarów na rozwiązanie tego problemu. Sprawy takie jak obliczenia matematyczne, tworzenie strategii finansowych, tłumaczenie z jednego języka na drugi zostały już rozwiązane za pomocą sztucznej inteligencji. Jednak wzrok, percepcja, gesty i poruszanie się w przestrzeni nadal pozostają nierozwiązanymi problemami komputerów.

Umiejętności te wydają się ludziom proste, ponieważ rozwinęły się przez miliony lat ewolucji. Kiedy wyciągasz rękę, aby podnieść przedmiot, Twoje mięśnie, więzadła i kości wykonują szereg operacji zgodnych z tym, co widzą Twoje oczy.

Natomiast mnożenie dużych liczb i gra w szachy to zupełnie nowe działania dla istot biologicznych. Dlatego komputerowi bardzo łatwo nas w tym pokonać. Zastanów się, jaki program wolałbyś stworzyć: taki, który szybko pomnoży duże liczby, czy po prostu rozpozna literę B spośród tysięcy innych napisanych różnymi czcionkami?

Kolejny zabawny przykład: patrząc na poniższy obrazek, zarówno Ty, jak i komputer, możecie bezbłędnie rozpoznać, że przedstawia on prostokąt składający się z kwadratów o dwóch różnych odcieniach:

Ale gdy tylko usuniemy czarne tło, otworzy się przed nami pełny, wcześniej ukryty obraz:

Nie będzie trudno nazwać i opisać wszystkie postacie, które widzi na tym zdjęciu. Jednak komputer nie poradzi sobie z tym zadaniem. A po przeanalizowaniu poniższego obrazu dojdzie do wniosku, że przed nim znajduje się kombinacja wielu dwuwymiarowych obiektów w kolorach białym, czarnym i szarym. W tym przypadku osoba może z łatwością powiedzieć, że zdjęcie przedstawia czarny kamień:

Wszystko, co zostało wspomniane powyżej, dotyczyło jedynie percepcji i przetwarzania informacji statycznej. Aby dorównać poziomowi inteligencji człowieka, komputer musi nauczyć się rozpoznawać mimikę, gesty i tak dalej. Ale jak to wszystko osiągnąć?

Pierwszym krokiem w kierunku stworzenia ogólnej sztucznej inteligencji jest zwiększenie mocy komputera

Oczywiście, jeśli mamy stworzyć „inteligentne” komputery, muszą one mieć takie same zdolności myślenia jak ludzie. Jednym ze sposobów osiągnięcia tego jest zwiększenie liczby operacji na sekundę. Aby to zrobić, należy obliczyć, ile operacji na sekundę wykonuje każda struktura ludzkiego mózgu.

Ray Kurzweil przeprowadził pewne obliczenia i uzyskał liczbę 10 000 000 000 000 000 operacji na sekundę. Ludzki mózg ma w przybliżeniu taką samą produktywność.

Obecnie najpotężniejszym superkomputerem jest chiński Tianhe-2, którego wydajność wynosi 34 biliardy operacji na sekundę. Jednak wielkość tego superkomputera robi wrażenie – zajmuje powierzchnię 720 metry kwadratowe i kosztuje 390 000 000 dolarów.

Jeśli więc spojrzeć od strony technicznej, mamy już komputer porównywalny pod względem wydajności z ludzkim mózgiem. Nie jest dostępny dla masowego konsumenta, ale w ciągu dziesięciu lat takim stanie się. Jednak wydajność nie jest jedyną rzeczą, która może zapewnić komputerowi inteligencję na poziomie człowieka. Następne pytanie brzmi: jak uczynić potężny komputer inteligentnym?

Drugim krokiem w kierunku stworzenia ogólnej sztucznej inteligencji jest wyposażenie maszyny w inteligencję

To najtrudniejsza część procesu, ponieważ nikt tak naprawdę nie wie, jak uczynić komputer inteligentnym. Nadal toczy się debata na temat tego, jak umożliwić maszynie odróżnianie kotów od psów lub rozpoznawanie litery B. Istnieje jednak kilka strategii, z których niektóre zostały pokrótce opisane poniżej:

1. Kopiowanie ludzkiego mózgu

Obecnie naukowcy pracują nad tzw. inżynierią odwrotną ludzkiego mózgu. Według optymistycznych prognoz prace te zakończą się do 2030 roku. Po stworzeniu projektu będziemy mogli poznać wszystkie tajemnice naszego mózgu i czerpać z niego nowe pomysły. Przykładem takiego systemu jest sztuczna sieć neuronowa.

Innym, bardziej ekstremalnym pomysłem jest całkowite naśladowanie funkcji ludzkiego mózgu. Podczas tego eksperymentu planowane jest pocięcie mózgu na wiele cienkich warstw i zeskanowanie każdej z nich. Następnie za pomocą specjalnego programu będziesz musiał stworzyć model 3D, a następnie zaimplementować go w wydajnym komputerze. Po tym otrzymamy urządzenie, które oficjalnie będzie pełniło wszystkie funkcje ludzkiego mózgu – pozostaje mu już tylko zbierać informacje i uczyć się.

Jak długo będziemy musieli czekać, aż naukowcom uda się stworzyć dokładną kopię ludzkiego mózgu? Dość długo, bo do tej pory specjalistom nie udało się skopiować nawet 1 mm warstwy mózgu, składającej się z 302 neuronów (nasz mózg składa się ze 100 000 000 000 neuronów).

2. Podsumowanie ewolucji ludzkiego mózgu

Stworzenie inteligentnego komputera jest teoretycznie możliwe, a ewolucja naszych własnych mózgów jest tego dowodem. Jeśli nie możemy stworzyć dokładnej kopii mózgu, możemy spróbować naśladować jego ewolucję. W rzeczywistości nie da się na przykład zbudować samolotu, po prostu kopiując skrzydła ptaka. Aby stworzyć samolot wysokiej jakości, lepiej zastosować inne podejście.

Jak możemy symulować proces ewolucyjny, aby stworzyć ogólną sztuczną inteligencję? Ta metoda nazywa się algorytmem genetycznym. Istotą tego podejścia jest to, że problemy optymalizacji i modelowania rozwiązuje się za pomocą mechanizmów podobnych do naturalnego doboru w przyrodzie. Kilka komputerów będzie wykonywało różne zadania, a te najbardziej wydajne zostaną ze sobą „skrzyżowane”. Maszyny, które nie wykonają zadania zostaną wykluczone. Zatem po wielu powtórzeniach tego eksperymentu algorytm doboru naturalnego będzie tworzył coraz lepszy komputer. Trudność polega tutaj na automatyzacji procesu ewolucji i „przekraczania”, ponieważ proces ewolucyjny musi przebiegać sam.

Wadą opisywanej metody jest to, że ewolucja z natury rzeczy zajmuje miliony lat, a wyników potrzebujemy w ciągu kilku dekad.

3. Przenieś wszystkie zadania na komputer

Kiedy naukowcy wpadają w desperację, próbują stworzyć program, który sam się sprawdza. Może to być najbardziej obiecująca metoda tworzenia ogólnej sztucznej inteligencji.

Pomysł jest taki, aby stworzyć komputer, którego głównymi funkcjami będą badania nad sztuczną inteligencją i zmiany w kodowaniu. Taki komputer nie tylko będzie się uczył samodzielnie, ale także zmieni własną architekturę. Naukowcy planują nauczyć komputer bycia badaczem, którego głównym zadaniem będzie rozwój własnej inteligencji.

Wszystko to może nastąpić już bardzo niedługo

Równolegle następuje ciągłe doskonalenie komputerów i innowacyjne eksperymenty z nowym oprogramowaniem. Sztuczna inteligencja ogólna może pojawić się szybko i nieoczekiwanie z dwóch głównych powodów:

1. Wykładnicze tempo wzrostu wydaje się bardzo powolne, ale w każdej chwili może przyspieszyć.

2. Jeśli chodzi o oprogramowanie, postęp wydaje się być bardzo powolny, ale jedno odkrycie może w mgnieniu oka przenieść nas na wyższy poziom. nowy poziom rozwój. Na przykład wszyscy wiemy, że wcześniej ludzie myśleli, że Ziemia znajduje się w centrum Wszechświata. W związku z tym pojawiło się wiele trudności w badaniu przestrzeni. Jednak wtedy system światowy nieoczekiwanie zmienił się na heliocentryczny. Kiedy pomysły uległy radykalnej zmianie, możliwe stały się nowe badania.

Na ścieżce od ograniczonej sztucznej inteligencji do sztucznej superinteligencji

W pewnym momencie rozwoju ograniczonej sztucznej inteligencji komputery zaczną nas prześcigać. Faktem jest, że sztuczna inteligencja, identyczna z ludzkim mózgiem, będzie miała nad ludźmi kilka przewag, wśród których można wyróżnić:

Prędkość. Neurony naszego mózgu działają z maksymalną częstotliwością 200 Hz, podczas gdy nowoczesne mikroprocesory działają z częstotliwością 2 GHz, czyli 10 milionów razy szybciej.

Wymiary. Ludzki mózg jest ograniczony rozmiarem czaszki i dlatego nie może się powiększyć. Komputer może mieć dowolny rozmiar, zapewniając więcej miejsca na przechowywanie plików.

Niezawodność i trwałość. Tranzystory komputerowe działają z większą precyzją niż neurony mózgowe. Ponadto można je łatwo naprawić lub wymienić. Ludzki mózg ma tendencję do zmęczenia, podczas gdy komputer może pracować na pełnych obrotach przez całą dobę.

Sztuczna inteligencja, zaprogramowana do ciągłego samodoskonalenia, nie będzie ograniczać się do żadnych granic. Oznacza to, że gdy maszyna osiągnie poziom ludzkiej inteligencji, nie zatrzyma się na tym.

Oczywiście, gdy komputer stanie się „mądrzejszy” od nas, będzie to szok dla całej ludzkości. Tak naprawdę większość z nas ma zniekształcony pogląd na inteligencję, który wygląda następująco:

Nasz zniekształcony pogląd na inteligencję.

Oś pozioma to czas, oś pionowa to inteligencja.

Poziomy inteligencji idą od dołu do góry: mrówka, ptak, szympans, głupi człowiek, Einstein. Pomiędzy głupcem a Einsteinem jest człowiek, który mówi: „Ha ha! Te śmieszne roboty zachowują się jak małpy!”

Rozwój sztucznej inteligencji zaznaczono na czerwono.

Zatem krzywa rozwoju sztucznej inteligencji na wykresie zmierza do poziomu ludzkiego. Obserwujemy, jak maszyna stopniowo staje się mądrzejsza od zwierzęcia. Kiedy jednak AI osiągnie poziom „człowieka o ograniczonym umyśle” lub – jak to ujął Nick Bostrom – „wiejskiego idioty”, będzie to oznaczać, że stworzono sztuczną inteligencję ogólną. W tym przypadku komputerowi nie będzie trudno osiągnąć poziom Einsteina. Ten szybki rozwój pokazano na poniższym rysunku:

Ale co stanie się dalej?

Eksplozja intelektualna

W tym miejscu warto przypomnieć, że wszystko, co napisano w tym artykule, jest opisem prawdziwych prognoz naukowych opracowanych przez szanowanych naukowców.

W każdym razie większość modeli ograniczonej sztucznej inteligencji obejmuje funkcję samodoskonalenia. Ale nawet jeśli stworzysz sztuczną inteligencję, która początkowo nie zapewnia takiej funkcji, to po osiągnięciu poziomu ludzkiej inteligencji komputer nabędzie zdolność do samodzielnego uczenia się do woli. W rezultacie inteligencja maszynowa będzie stopniowo się rozwijać i stanie się superinteligencją wielokrotnie przewyższającą ludzki umysł.

Obecnie toczy się debata na temat tego, kiedy sztuczna inteligencja osiągnie poziom ludzkiej inteligencji. Setki naukowców są zgodne, że stanie się to około 2040 roku. Niezbyt długo, prawda?

Zatem osiągnięcie poziomu inteligencji ludzkiej zajmie dziesięciolecia sztucznej inteligencji, ale w końcu to nastąpi. Komputery nauczą się rozumieć otaczający je świat w taki sam sposób, w jaki rozumie je 4-letnie dziecko. Nagle, po wchłonięciu tych informacji, system opanuje fizykę teoretyczną, mechanikę kwantową i teorię względności. Za półtorej godziny sztuczna inteligencja zamieni się w sztuczną superinteligencję, 170 tysięcy razy większą niż możliwości ludzkiego mózgu.

Superinteligencja to zjawisko, którego nawet częściowo nie jesteśmy w stanie zrozumieć. W naszej opinii mądry człowiek ma IQ 130, a głupi ma mniej niż 85. Ale jakie słowo można wybrać dla stworzenia z IQ 12952?

Inteligencja jest synonimem mocy, dlatego w tej chwili człowiek jest u szczytu ewolucji, ujarzmiając wszystkie inne żywe istoty. Oznacza to, że wraz z pojawieniem się sztucznej superinteligencji przestaniemy być „koroną natury”. Będziemy podlegać superumysłowi.

Jeśli nasze ograniczone mózgi mogłyby stworzyć Wi-Fi, wyobraźcie sobie, co mógłby stworzyć umysł setki, tysiące, a nawet miliony razy większy od nas. Ta inteligencja będzie w stanie kontrolować lokalizację każdego atomu na planecie. Wszystko, co obecnie uważamy za magię lub moc Boga, stanie się codziennym zadaniem superinteligencji. Superumysł będzie w stanie pokonać starość, leczyć choroby, niszczyć głód, a nawet śmierć. Będzie nawet w stanie przeprogramować pogodę, aby chronić życie na Ziemi. Ale superinteligencja może zniszczyć życie na planecie w mgnieniu oka. W naszym obecnym rozumieniu rzeczywistości Bóg zadomowi się obok nas w roli superinteligencji. Jedyne pytanie, jakie musimy sobie zadać, brzmi: czy będzie to dobry Bóg?

Sztuczna inteligencja: jak i gdzie się uczyć – odpowiadają eksperci

„Chcę zająć się sztuczną inteligencją. Co warto studiować? Jakich języków powinienem używać? W jakich organizacjach powinienem się uczyć i pracować?

O wyjaśnienia zwróciliśmy się do naszych ekspertów, a otrzymane odpowiedzi przedstawiamy Państwu.

To zależy od Twojego podstawowego wyszkolenia. Przede wszystkim potrzebna jest kultura matematyczna (znajomość statystyki, teorii prawdopodobieństwa, matematyki dyskretnej, algebry liniowej, analizy itp.) i chęć szybkiego uczenia się. Przy wdrażaniu metod AI wymagane będzie programowanie (algorytmy, struktury danych, OOP itp.).

Różne projekty wymagają znajomości różnych języków programowania. Polecam znajomość przynajmniej Pythona, Java i dowolnego języka funkcjonalnego. Przyda się doświadczenie z różnymi bazami danych i systemami rozproszonymi. Aby szybko poznać najlepsze praktyki branżowe, wymagana jest znajomość języka angielskiego.

Polecam studiować na dobrych rosyjskich uniwersytetach! Na przykład MIPT, MSU i HSE mają odpowiednie działy. Szeroka gama kursów tematycznych jest dostępna na Coursera, edX, Udacity, Udemy i innych platformach MOOC. Niektóre wiodące organizacje mają własne programy szkoleniowe z zakresu AI (na przykład Szkoła Analizy Danych w Yandex).

Problemy z aplikacjami rozwiązywane metodami AI można znaleźć w wielu różnych miejscach. Banki, sektor finansowy, konsulting, handel detaliczny, e-commerce, wyszukiwarki, usługi pocztowe, branża gier, branża systemów bezpieczeństwa i oczywiście Avito – wszyscy potrzebują specjalistów o różnych kwalifikacjach.

Promuj Demot

Mamy projekt fintech związany z uczeniem maszynowym i wizją komputerową, w którym jego pierwszy programista napisał wszystko w C++, potem pojawił się programista i przepisał wszystko w Pythonie. Zatem język nie jest tutaj najważniejszy, ponieważ jest on przede wszystkim narzędziem i od Ciebie zależy, jak go użyjesz. Po prostu w niektórych językach problemy można rozwiązać szybciej, a w innych wolniej.

Trudno powiedzieć, gdzie się uczyć – wszyscy nasi chłopcy uczyli się sami, na szczęście jest internet i Google.

Promuj Demot

Radzę Ci już na początku przygotować się na to, że będziesz musiał dużo się uczyć. Niezależnie od tego, co rozumiemy przez „robienie sztucznej inteligencji” – pracę z dużymi zbiorami danych lub sieciami neuronowymi; rozwój technologii lub wsparcie i szkolenie określonego już opracowanego systemu.

Weźmy dla konkretów modny zawód Data Scientist. Co robi ta osoba? Ogólnie rzecz biorąc, zbiera, analizuje i przygotowuje duże zbiory danych do wykorzystania. To na nich rośnie i trenuje sztuczna inteligencja. Co powinien wiedzieć i umieć analityk danych? Analiza statyczna i modelowanie matematyczne są domyślnie i na poziomie płynności. Języki – powiedzmy R, SAS, Python. Byłoby miło mieć również pewne doświadczenie w rozwoju. Cóż, ogólnie rzecz biorąc, dobry analityk danych powinien czuć się pewnie w zakresie baz danych, algorytmów i wizualizacji danych.

Nie oznacza to, że taki zasób wiedzy można było zdobyć na co drugiej uczelni technicznej w kraju. Duże firmy, dla których rozwój AI jest priorytetem, rozumieją to i opracowują dla siebie odpowiednie programy szkoleniowe – jest na przykład Szkoła Analizy Danych od Yandex. Trzeba jednak mieć świadomość, że to nie jest skala, na którą na kursy przychodzi się „z ulicy”, a wychodzi się z nich jako gotowy junior. Warstwa jest obszerna i sensowne jest studiowanie dyscypliny, gdy podstawy (matematyka, statystyka) zostały już przerobione, przynajmniej w ramach programu uniwersyteckiego.

Tak, to zajmie sporo czasu. Ale gra jest warta świeczki, ponieważ dobry analityk danych jest bardzo obiecujący. I bardzo drogie. Jest też inny punkt. Sztuczna inteligencja to z jednej strony już nie tylko obiekt szumu, ale technologia, która całkowicie osiągnęła etap produktywności. Z drugiej strony sztuczna inteligencja wciąż się rozwija. Rozwój ten wymaga wielu zasobów, wielu umiejętności i dużo pieniędzy. Na razie jest to poziom najwyższej ligi. Powiem teraz rzeczy oczywiste, ale jeśli chcesz być na czele ataku i własnymi rękami napędzać postęp, celuj w firmy takie jak Facebook czy Amazon.

Jednocześnie technologia ta jest już wykorzystywana w wielu obszarach: w bankowości, telekomunikacji, gigantycznych przedsiębiorstwach przemysłowych i handlu detalicznym. A oni już potrzebują ludzi, którzy będą w stanie to wesprzeć. Gartner przewiduje, że do 2020 roku 20% wszystkich przedsiębiorstw w krajach rozwiniętych zatrudni dedykowanych pracowników do szkolenia sieci neuronowych wykorzystywanych w tych firmach. Jest więc jeszcze trochę czasu na samodzielną naukę.

Promuj Demot

Sztuczna inteligencja obecnie aktywnie się rozwija i trudno ją przewidzieć z dziesięcioletnim wyprzedzeniem. W ciągu najbliższych dwóch–trzech lat dominować będą podejścia oparte na sieciach neuronowych i obliczeniach na GPU. Liderem w tym obszarze jest Python ze środowiskiem interaktywnym Jupyter oraz bibliotekami numpy, scipy i tensorflow.

Istnieje wiele kursów online, które zapewniają podstawową wiedzę na temat tych technologii i ogólne zasady AI, na przykład kurs Andrew Ng. A jeśli chodzi o nauczanie tego tematu, Rosja jest obecnie najskuteczniejsza samokształcenie lub w lokalnej grupie interesu (np. w Moskwie wiem, że istnieje co najmniej kilka grup, w których ludzie dzielą się doświadczeniem i wiedzą).

Promuj Demot

Promuj Demot

Obecnie najszybciej rozwijającą się częścią sztucznej inteligencji są być może sieci neuronowe.
Badanie sieci neuronowych i sztucznej inteligencji należy rozpocząć od opanowania dwóch gałęzi matematyki – algebry liniowej i teorii prawdopodobieństwa. To obowiązkowe minimum, niezachwiane filary sztucznej inteligencji. Kandydaci, którzy chcą zrozumieć podstawy AI, wybierając uczelnię, moim zdaniem powinni zwrócić uwagę na wydziały z silną szkołą matematyczną.

Następnym krokiem jest przestudiowanie problemów danego problemu. Literatury, zarówno edukacyjnej, jak i specjalistycznej, jest mnóstwo. Większość publikacji na temat sztucznej inteligencji i sieci neuronowych pisana jest w języku angielskim, ale publikowane są także materiały w języku rosyjskim. Przydatną literaturę można znaleźć na przykład w publicznej bibliotece cyfrowej arxiv.org.

Jeśli mówimy o obszarach działalności, tutaj możemy wyróżnić uczenie stosowanych sieci neuronowych i rozwój zupełnie nowych wersji sieci neuronowych. Uderzający przykład: istnieje obecnie bardzo popularna specjalność - „naukowiec danych” (Data Scientist). Są to programiści, którzy z reguły badają i przygotowują określone zbiory danych do uczenia sieci neuronowych w określonych obszarach zastosowań. Podsumowując, pragnę podkreślić, że każda specjalizacja wymaga odrębnej ścieżki przygotowania.

Promuj Demot

Przed rozpoczęciem kursów specjalistycznych musisz przestudiować algebrę liniową i statystykę. Swoją przygodę ze sztuczną inteligencją polecam rozpocząć od podręcznika „Uczenie maszynowe. Nauka i sztuka budowania algorytmów wydobywających wiedzę z danych” to dobry podręcznik dla początkujących. Na Courserze warto wysłuchać wykładów wprowadzających K. Woroncowa (podkreślam, że wymagają one dobrej znajomości algebry liniowej) oraz kursu „Machine Learning” na Uniwersytecie Stanforda, prowadzonego przez Andrew Ng, profesora i szefa Baidu AI Grupa/Mózg Google.

Większość jest napisana w Pythonie, a następnie w R i Lua.

Jeśli mówimy o instytucjach edukacyjnych, lepiej zapisać się na kursy na wydziałach matematyki stosowanej i informatyki, istnieją odpowiednie programy edukacyjne; Aby sprawdzić swoje możliwości, możesz wziąć udział w konkursach Kaggle, w których swoje etui oferują największe światowe marki.

Promuj Demot

W każdym biznesie przed rozpoczęciem projektów dobrze byłoby zdobyć podstawy teoretyczne. Jest wiele miejsc, w których można zdobyć formalny tytuł magistra w tej dziedzinie lub podnieść swoje kwalifikacje. Na przykład Skoltech oferuje programy magisterskie w obszarach „Nauk obliczeniowych i inżynierii” oraz „Nauki o danych”, które obejmują kursy „Uczenia maszynowego” i „Przetwarzania języka naturalnego”. Można także wspomnieć o Instytucie Inteligentnych Systemów Cybernetycznych Państwowego Uniwersytetu Badań Jądrowych MEPhI, Wydziale Matematyki Obliczeniowej i Cybernetyki Moskiewskiego Uniwersytetu Państwowego oraz Katedrze Inteligentnych Systemów MIPT.

Jeśli masz już formalne wykształcenie, na różnych platformach MOOC dostępnych jest wiele kursów. Na przykład EDx.org oferuje kursy sztucznej inteligencji prowadzone przez Microsoft i Columbia University, z których ten ostatni oferuje program mikro-magisterski za rozsądną cenę. Pragnę szczególnie zaznaczyć, że samą wiedzę zazwyczaj można zdobyć bezpłatnie; za certyfikat płacisz tylko wtedy, gdy jest on potrzebny do Twojego CV.

Jeśli chcesz „głębiej zgłębić” temat, wiele firm w Moskwie oferuje tygodniowe intensywne kursy ćwiczenia praktyczne, a nawet oferują sprzęt do eksperymentów (na przykład newprolab.com), jednak cena takich kursów zaczyna się od kilkudziesięciu tysięcy rubli.

Wśród firm rozwijających sztuczną inteligencję prawdopodobnie znasz Yandex i Sberbank, ale jest wiele innych o różnej wielkości. Przykładowo w tym tygodniu Ministerstwo Obrony Narodowej otworzyło w Anapie Technopolis Innowacji Wojskowych ERA, którego jednym z tematów jest rozwój sztucznej inteligencji na potrzeby wojskowe.

Promuj Demot

Zanim zaczniemy studiować sztuczną inteligencję, musimy odpowiedzieć sobie na zasadnicze pytanie: czy powinniśmy wziąć czerwoną czy niebieską pigułkę.
Czerwona pigułka to zostać programistą i zanurzyć się w okrutnym świecie metod statystycznych, algorytmów i ciągłego rozumienia nieznanego. Z drugiej strony nie musisz od razu rzucać się do „króliczej nory”: możesz zostać menadżerem i tworzyć sztuczną inteligencję, na przykład jako kierownik projektu. To dwie zasadniczo różne ścieżki.

Pierwsza jest świetna, jeśli już zdecydowałeś, że będziesz pisać algorytmy sztucznej inteligencji. W takim razie trzeba zacząć od najpopularniejszego dziś kierunku – uczenia maszynowego. Aby to zrobić, musisz znać klasyczne statystyczne metody klasyfikacji, grupowania i regresji. Przydatne będzie także zapoznanie się z głównymi miernikami oceny jakości rozwiązania, jego właściwościami… i wszystkim, co stanie na Twojej drodze.

Dopiero po opanowaniu podstaw warto studiować bardziej specjalistyczne metody: drzewa decyzyjne i ich zespoły. Na tym etapie trzeba zgłębić podstawowe metody budowania i uczenia modeli – kryją się one za ledwo przyzwoitymi słowami żebranie, wzmacnianie, układanie czy mieszanie.

Warto także poznać metody kontroli przekwalifikowania modeli (kolejne „ing” – overfitting).

I wreszcie poziom bardzo Jedi – zdobywanie wysoce specjalistycznej wiedzy. Na przykład głębokie uczenie się będzie wymagało opanowania podstawowych architektur i algorytmów gradientu. Jeśli interesują Cię problemy przetwarzania języka naturalnego, polecam przestudiowanie rekurencyjnych sieci neuronowych. A przyszli twórcy algorytmów przetwarzania zdjęć i filmów powinni dobrze przyjrzeć się splotowym sieciom neuronowym.

Dwie ostatnie wymienione struktury to elementy składowe popularnych obecnie architektur: sieci kontradyktoryjne (GAN), sieci relacyjne i sieci kratowe. Dlatego przydatne będzie ich przestudiowanie, nawet jeśli nie planujesz uczyć komputera widzenia ani słyszenia.

Zupełnie inne podejście do studiowania sztucznej inteligencji – czyli „niebieskiej pigułki” – zaczyna się od odnalezienia siebie. Sztuczna inteligencja rodzi szereg zadań i całe zawody: od kierowników projektów AI po inżynierów danych, którzy potrafią przygotować dane, oczyścić je i zbudować skalowalne, obciążone i odporne na awarie systemy.

Zatem stosując podejście „menedżerskie”, powinieneś najpierw ocenić swoje umiejętności i doświadczenie, a dopiero potem wybrać, gdzie i czego się uczyć. Na przykład nawet bez matematycznego umysłu możesz zaprojektować interfejsy AI i wizualizacje dla inteligentnych algorytmów. Ale przygotuj się: za 5 lat sztuczna inteligencja zacznie Cię trollować i nazywać „humanistą”.

Główne metody ML implementowane są w postaci gotowych bibliotek, z którymi można się połączyć inne języki. Najpopularniejszymi obecnie językami w ML są: C++, Python i R.

Istnieje wiele kursów w języku rosyjskim i angielskim, takich jak kursy analizy danych Yandex, SkillFactory i OTUS. Zanim jednak zainwestuję czas i pieniądze w specjalistyczne szkolenia, myślę, że warto „wgłębić się w temat”: obejrzeć na YouTubie wykłady otwarte z konferencji DataFest z ostatnich lat, skorzystać z bezpłatnych kursów Coursera i Habrahabr.