Первые шаги искусственного интеллекта


Оглавление (нажмите, чтобы открыть):

Первые шаги искусственного интеллекта

Об искусственном интеллекте можно говорить как о философском и футурологическом понятии из фильмов о будущем. Но если говорить о реальной жизни, то он подразумевает ту или иную комбинацию методов машинного обучения: когда мы берем большой набор накопленных данных, на его основе с помощью специальной продвинутой математики создаем модель и учим ее решать ту или иную конкретную задачу.

То есть в реальной жизни ИИ применим в тех областях, где есть большой объем накопленных данных. Они бывают разных типов. Когда у вас есть условно три типа данных, то с ними может справиться один аналитик. Но если параметров более тысячи, причем часть из них неструктурированные, то это не поместится в голову ни одного аналитика. В таких случаях человеческий разум при поддержке аналитических инструментов предыдущего технологического уклада не в состоянии нормально всё проанализировать. Он будет упрощать, брать три-четыре ключевых параметра. И вот тогда машинное обучение — то, что является практической реализацией ИИ, — оказывается эффективным.

Если говорить об узкоспециализированных задачах, то там машинное обучение использовалось и раньше. Есть четыре ключевых фактора, благодаря которым мы можем говорить, что ИИ — это новый глобальный тренд, меняющий мир. Первый — данных стало больше, например, если раньше на производстве были лишь бумажные записи, то теперь на станках стоят собирающие информацию датчики. Второй и третий факторы — это рост вычислительных мощностей плюс развитие соответствующих областей математики. Себестоимость решений снижается: из-за удешевления «железа» теперь не приходится ждать окупаемости проекта на производстве по десять лет. И последнее — постепенно развивается бизнес-практика, появляются специалисты с проектным опытом в этой области.

Всё так. Сейчас в России действительно больше говорят об ИИ, чем реально делают. Тема модная, и чтобы отчитаться по ней «наверх», многие объявляют какой-нибудь хакатон и показывают фото в инстаграме. А результата, который меняет бизнес, не появляется. Исходя из нашего опыта, мы видим, что в большинстве крупнейших организаций России ИИ успешно внедряется лишь в 5–7% случаев от того, о чём говорят.

Дело в том, что это новый тип проектов, с которым пока не умеют грамотно работать. Это комплексная история: с помощью машинного обучения одну задачу можно решить достаточно быстро, но это требует значительной перестройки бизнес-процессов. Пример: можно сделать модель индивидуальных рекомендаций для клиентов торговой сети, но если наряду с этим будет работать классический маркетинг, например, акции в стиле «10% скидка на всё», то эти рекомендации работать не будут. Или, например, мы построили модель прогноза брака и выхода из строя машин в автопарке, но, пока эту модель строили, сменился поставщик ГСМ. А это тоже данные, влияющие на модель, — и она рассыпается. То есть организации нужно измениться, чтобы ее процессы соответствовали задачам, которые можно решать с помощью машинного обучения: эффективно выстроить обмен данными между подразделениями и так далее. Это комплекс изменений, которые нужно уметь делать, и нужно быть готовым бороться за него.

Мы пока находимся на стадии генерации рынка, и из-за его новизны возникают сложности. В частности, мы сталкивались с ситуацией на производстве, когда люди думали: «Значит, с браком будем бороться не мы, а какая-то модель ИИ, а мы, получается, не нужны». Мотивация страдала, и вместо помощи люди занимались критикой. Перед руководством, с одной стороны, стоит какой-то специалист по работе с данными из Москвы, а с другой — 45-летний мужик, знающий производство вдоль и поперек, который говорит: «Это работать не будет, а вы ничего не понимаете». И понятно, что в такой ситуации директор чувствует себя не очень уверенно.

Во-первых, это инновационные интернет-компании. Тот же самый «Яндекс» — там это вообще везде применяется. Если брать крупные отрасли, то на первом месте будет ритейл, а также банки и страховые компании. Но я абсолютно уверен, что самый большой потенциал применения ИИ — в промышленности: это реальные производственные процессы с реальными деньгами и возможностью сокращения себестоимости. Но эта отрасль пока несколько отстает, потому что она консервативнее ритейла, который из-за конкурентной среды должен очень быстро развиваться.

Везде, где есть много данных. Особенно большой эффект будет в промышленности. Критерии — наличие данных и того, что можно оптимизировать. Это могут быть задачи технического обслуживания, ремонта, борьбы с браком, прогнозирования, «цифровых двойников», позволяющих заниматься анализом. Правильнее смотреть не на отрасли, а на тип задач. Если это штучное производство вроде производства истребителей, то здесь для большинства задач просто не будет необходимого объема данных. А если масштабное вроде стального проката или массовой сборки машин, то тут ИИ будет эффективным.

Предприятие обычно занимается тем, что зарабатывает деньги — а так оно заработает больше. Сегодня производственные процессы шаг за шагом усложняются, появляется всё больше факторов и нюансов. Если раньше весь производственный процесс умещался в голову одного технолога, то теперь он находится за гранью того, что один человек или группа людей может учесть. Соответственно, усложняющийся процесс производства требует новых решений, в частности ИИ и машинного обучения.

Кроме того, на производстве особенно ценны люди, обладающие какими-то уникальными компетенциями. Они могут заболеть, выйти на пенсию, а использование ИИ повышает устойчивость бизнеса относительно человеческого фактора.

Заблуждения бывают двух типов. Первый: «Сейчас я возьму специалиста по работе с данными, он мне построит модель, и через пару недель у меня всё полетит». Так не бывает никогда. Другой тип: «Это всё фантастика и байки, а у нас другая жизнь, в которой это всё неприменимо». А истина тут на самом деле где-то посередине.

В масштабах трех-пяти-десяти лет будут возникать конкретные области, в которых человека будут замещать. Сейчас тестируется беспилотный транспорт, наверняка он будет постепенно заменять водителей, ведь он позволяет снизить аварийность и не платить деньги водителям. Если говорить о бизнесе, то это происходит прямо на глазах. Если раньше человек принимал решения в одиночку, то теперь он это делает при помощи средств машинного обучения или роботизации. Там, где раньше работали сто человек, сейчас может сидеть один технолог, один специалист по data science, а остальное делают машины.

Заменяться в первую очередь будут типовые задачи. Люди, занимающиеся индивидуальными, творческими задачами, пока в безопасности. А в областях, где тысячи сотрудников на одних и тех же позициях работают по регламенту, через три-пять лет их заменит ИИ.

Первый шаг — это найти опытную команду, которая понимает, как это делать. Потому что подводных камней здесь уйма, и с ними нужно разбираться. Второй — найти задачи, которые можно решить с пользой для бизнеса, выстроить грамотные, разумные метрики, понять, как это конвертировать в деньги. Ведь быстрый успех — это тоже важно.

Любая компания должна постепенно двигаться к тому, чтобы IT стало для нее не просто поддерживающей функцией, а тем, что помогает зарабатывать деньги. Это значит, что ей нужно растить IT-компетенции, а это процесс небыстрый. Поэтому на стартовом этапе рационально привлечь экспертов и потом вместе с ними определиться, какие области компания должна развивать сама, а в каких полагаться на партнеров.

Важно понимать, что тема ИИ комплексная. Нужна команда, которая не только разбирается в аналитической статистике, data science, машинном обучении, но и обладает комплексными компетенциями: начиная проектным управлением и заканчивая умением работать с данными, высоконагруженными системами, очисткой данных. Также важна информационная безопасность, ведь новые типы IT-решений влекут за собой новые IT-угрозы, при этом старые угрозы никуда не деваются. Поэтому нужна команда, которая умеет всё это.

В практическом плане пока важно освоить то, что есть. Если говорить о будущем, мне кажется, технологии будут в первую очередь двигаться в сторону обучения с подкреплением, самообучения, когда система обучает сама себя на основании свежих данных. Но пока это больше теория, чем практика. Когда речь идет об обучении компьютера игре в го, то обучение с подкреплением работает. А в более комплексных практических задачах пока не особо.

Форумов разных очень много, и на всех говорят об ИИ. Тема хайповая, тут может получиться как с нанотехнологиями. Видя всё это, мы проводим свой собственный форум Russian Artificial Intelligence Forum (RAIF). В этом году он пройдет уже в третий раз и состоится 22–23 октября в Сколково в рамках международного форума «Открытые инновации». Там мы говорим как раз о практике: какие в этой области есть проблемы, сложности и так далее.

В этом году главная тема форума — как «дотолкать» проект ИИ до промышленной эксплуатации, для того чтобы он приносил результат. Также ключевой акцент мы делаем на всех смежных темах. У нас есть секции о big data, информационной безопасности, «железе». У нас собираются математики, программисты, «железячники», специалисты по инфраструктуре и эксплуатации.

Мы говорим о реальной практике, а не о научных проблемах — хотя об этом у нас есть отдельная секция. Но в первую очередь мы собираем людей, которые реализуют проекты ИИ, рассказываем о собственном опыте, указываем на подводные камни. И главное — всегда рассматриваем задачи в комплексе, в разрезе проекта, а не какой-то философии или науки.

Создание искусственного интеллекта (стр. 1 из 4)

2. Феномен мышления.

3. Создание искусственного интеллекта.

3.1 Механический подход.

3.2 Электронный подход.

3.3 Кибернетический подход.

3.4 Нейронный подход.

3.5 Появление перцептрона.

5. Список литературы.

Современные философы и исследователи науки часто рассматривают междисциплинарные науки как одно из достижений заново открытых в 20 веке.

Искусственный Интеллект и искусственная жизнь представляет прекрасный пример такой интеграции многих научных областей.

К сожалению, жизнь слишком сложна, чтобы можно было наметить общие направления в исследованиях. Доказательством может служить тот факт, что некоторые заинтересованы в исследовании «систем, демонстрирующих феномены живых систем», другие изучают природу химического репродуцирования или пытаются решить философские проблемы самопознания.

В понятие «искусственный интеллект» вкладывается различный смысл – от признания интеллекта у ЭВМ оснащенных программными продуктами распознавания текста и речи до отнесения к интеллектуальным лишь тех систем, которые решают весь комплекс задач, осуществляемых человеком.

Теория искусственного интеллекта при решении многих задач сталкивается с определёнными проблемами. Одна из таких проблем состоит в выяснении вопроса, доказуема ли теоретически (математически) возможность или невозможность искусственного интеллекта.

На этот счёт существуют две точки зрения. Одни считают математически доказанным, что ЭВМ в принципе может выполнить любую функцию, осуществляемую естественным интеллектом. Другие полагают в такой же мере доказанным математически, что есть проблемы, решаемые человеческим интеллектом, которые принципиально недоступны ЭВМ. Эти взгляды высказываются как кибернетиками так и философами. Одна из многих проблем (можно сказать основная) состоит в том, что системы, обладающие психикой, отличаются от ЭВМ тем, что им присущи биологические потребности.

Отражение внешнего мира проходит через призму этих потребностей, в чем выражается активность психической системы. ЭВМ не имеет потребностей, для неё информация незначима, безразлична. У человека над слоем биологических потребностей надстраиваются социальные потребности, и информация для него не только биологически но социально значима. Однако технические системы все-таки могут иметь аналог телесной организации. Развитая кибернетическая система обладает рецепторными и эффекторными придатками. На практике под крышей термина искусственная жизнь гнездится грандиозное разнообразие различных проектов от моделей копирования ДНК и систем с обратной связью до изучения коллективного разума и динамики роста населения.

2. ФЕНОМЕН МЫШЛЕНИЯ.

Машины уже научились слагать стихи, сочинять музыку, рисовать картины. Возможно, кому-то покажется, что это – несомненный признак их разумности. Ведь если ЭВМ доступно творчество, которое всегда считалось свойством высокого интеллекта, то справедливо ли отказывать ей в разуме?

Всё же большинство из нас едва ли согласятся считать рисующую и сочиняющую стихи ЭВМ мыслящей. Что же тогда следует называть мышлением?(2)

Далёкому от науки человеку трудно себе представить, как много умеют делать современные кибернетические устройства. Стоит хотя бы упомянуть о так называемых «экспертных системах», которые на основе имеющихся в их памяти сведений анализируют состояние больного, режим технологического процесса, дают советы, как поступить в той или иной ситуации. При этом ЭВМ не только сообщает своё решение, но и объясняет, почему оно должно быть таковым. По сравнению с электронной памятью, выдачей архивных справок и математическими вычислениями, что сегодня у большинства людей ассоциируется сегодня с образом компьютера, это – качественно новая ступень интеллектуальной деятельности, когда на основе имеющегося вырабатывается новое знание. До сих пор это считалось неоспоримой привилегией человеческого мозга. Неудивительно, что тому, кто впервые встречается с подобными системами, часто просто не верится, что он имеет дело с «железной ЭВМ», а не со спрятавшимся где-то оператором-человеком.

Способность ЭВМ выполнять математические расчеты, к чему мы привыкли, ещё совсем недавно рассматривалась как одна из самых высших ступеней духовной деятельности человека. Комплексные числа, с которыми легко оперирует почти любая ЭВМ, Г.Лейбниц, сам выдающийся математик, называл «духовными амфибиями», удивительным «порождением духа Божьего», а писатель В.Одоевский в своей «Русской речи» писал о нашей способности к вычислениям как о каком-то непостижимом, почти мистическом свойстве: При всяком математическом процессе мы чувствуем, как к нашему существу присоединяется какое-то другое, чужое, которое трудится, думает, вычисляет, а между тем наше истинное существо как бы перестаёт действовать, не принимая никакого участия в этом процессе, как в деле постороннем, ждёт своей собственной пищи, а именно связи, которая должна существовать между ним и этим процессом, — и этой связи мы не находим».

Можно представить, как был бы поражён Одоевский, узнав о вычислительных способностях наших ЭВМ! Тем не менее, мы не считаем их думающими.

Любая вычислительная машина, каким бы поразительным ни было её «умение» обучаться, работает на основе заранее составленной для неё программы и поступающих внешних данных. Правда, мы, люди, тоже реализуем определенные программы действий, особенно в первые месяцы жизни, когда наше поведение почти целиком определяется заложенной в нас генетической программой. Однако принципиальное различие в том, что человек способен мотивированно, т.е. в зависимости от определённых условий, изменять программу и делает это так, что между Сарой и новой программами нет непрерывного логического мостика. Как это происходит, тоже пока не ясно, тут много споров и различных точек зрения, но это уже другой вопрос, важно, что современные вычислительные машины этим свойством не обладают. Вот если бы случилось так, что какая-то ЭВМ, решившая, скажем задачи по электромагнетизму и квантовой механике, объединила бы эти два раздела науки и вывела уравнения квантовой электродинамики, а потом с их помощью предсказала бы новые явления в этой неизвестной ей ранее области, тогда, наверное, мы были бы в праве назвать её думающей. И прежде всего потому, что она сама, без всякой программной подсказки, решила заняться качественно новой задачей. Слово «решила» как раз и означает, что она мыслит.

Всякая интеллектуальная задача представляет собой поиск способа достижения поставленной цели, а иначе это будет не решением задачи, а просто действием по точной инструкции.

Когда мы говорим, что школьник решает задачу, это означает прежде всего, что он должен сообразить, какую взять для этого формулу, какие подставить в неё числа. Однако, если он, заглядывая в тетрадь соседа, подставляет указанные там числа в написанную на доске формулу, это уже не решение, а механическое повторение. Именно так ведут себя современные ЭВМ. Строго говоря, никаких задач они не решают, и часто используемое нами выражение «ЭВМ решает» имеет условный смысл…

Способность ставить задачу и самопрограмироваться на её решение – это как раз и есть главное, что характеризует феномен мышления.

Можно возразить данному утверждению, отметив, что и рыбы, и примитивные амёбы в погоне за добычей, тоже ставят себе задачи, изменяющиеся в зависимости от конкретных условий, значит – и они мыслят?

Это могут быть примитивные формы мышления, ведь объяснить поведение животных во всём многообразии жизненных ситуаций одним лишь инстинктом – это гипотеза.(2)

Животным и птицам присуще такое свойство мышления, как способность к обобщению. Например, они узнают пищу в различных конкретных формах, так сказать – пищу вообще.


Наше обыденное понимание разумного слишком очеловечено, и, подобно тому, как в XIX веке многим казалась нелепой сама мысль о преемственной связи между человеком и обезьяной сегодня многих из нас смущает мысль о возможности нечеловеческого интеллекта. В частности, сами того не замечая, мы часто связываем представление о мышлении со способностью осознавать своё собственное «я», и это мешает нам более широко взглянуть на феномен мышления. Правда, связь между мышлением и чувством «я», по-видимому, действительно существует. Можно думать, что в условиях прихотливо изменяющейся внешней обстановки сложная система будет устойчивой лишь в том случае, если она обладает способностью ощущать своё состояние, а в этом и состоит суть нашего «я». Анализ показывает, что подобное чувство необходимо уже многим роботам-автоматам. Ведь робот, да и вообще всякая сложная самообучающаяся и активно общающаяся с человеком машина должна сообщать ему о состоянии своей памяти, о том, что ей понятно, а что – нет и почему. А для этого автомат должен ощущать и быть способным выразить своё состояние. Это нужно роботу и для того, чтобы вовремя заметить неполадки в своём «организме». Не осознающий себя робот едва ли сможет долго просуществовать в сложной, быстро меняющейся и воздействующей на него обстановке.

3.СОЗДАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛНКТА .

С конца 40-х годов ученые все большего числа университетских и промышленных исследовательских лабораторий устремились к дерзкой цели: построение компьютеров, действующих таким образом, что по результатам работы их невозможно было бы отличить от человеческого разума.

Терпеливо продвигаясь вперед в своем нелегком труде, исследователи, работающие в области искусственного интеллекта (ИИ), обнаружили, что вступили в схватку с весьма запутанными проблемами, далеко выходя­щими за пределы традиционной информатики. Оказалось, что прежде всего необходимо понять механизмы процесса обучения, природу языка и чувс­твенного восприятия. Выяснилось, что для создания машин, имитирующих работу человеческого мозга, требуется разобраться в том, как действуют миллиарды его взаимосвязанных нейронов. И тогда многие исследователи пришли к выводу, что пожалуй самая трудная проблема, стоящая перед современной наукой — познание процессов функционирования человеческого разума, а не просто имитация его работы. Что непосредственно затраги­вало фундаментальные теоретические проблемы психологической науки. В самом деле, ученым трудно даже прийти к единой точке зрения относи­тельно самого предмета их исследований — интеллекта. Здесь, как в притче о слепцах, пытавшихся описывать слона, пытается придерживаться своего заветного определения.

Как создать искусственный интеллект?

А ведь действительно, именно желание создать совершенный искусственный интеллект, будь то игровая модель или мобильная программа, сподвигла на путь программиста многих из нас. Проблема в том, что за тоннами учебного материала и суровой действительностью заказчиков, это самое желание было заменено простым стремлением к саморазвитию. Для тех, кто так и не приступил к исполнению детской мечты, далее краткий путеводитель по созданию настоящего искусственного разума.

Стадия 1. Разочарование

Когда мы говорим о создании хотя бы простых ботов, глаза наполняются блеском, а в голове мелькают сотни идей, что он должен уметь делать. Однако, когда дело доходит до реализации, оказывается, что ключом к разгадке реальной модели поведения является. математика. Если быть немного конкретнее, то вот список её разделов, которые необходимо проштудировать хотя бы в формате университетского образования:

Теория вероятностей и математическая статистика.

Это тот научный плацдарм, на котором будут строится ваше дальнейшее программирование. Без знания и понимания этой теории все задумки быстро разобьются о взаимодействие с человеком, ведь искусственный разум на самом деле не больше, чем набор формул.

Стадия 2. Принятие

Когда спесь немного сбита студенческой литературой, можно приступать к изучению языков. Бросаться на LISP или другие функциональные языки пока не стоит, для начала надо научиться работать с переменными и однозначными состояниями. Как для быстрого изучения, так и дальнейшего развития прекрасно подойдёт Python, но в целом можно взять за основу любой язык, имеющий соответствующие библиотеки.

Стадия 3. Развитие

Теперь переходим непосредственно к теории ИИ. Их условно можно разделить на 3 категории:

Слабый ИИ – боты, которых мы видим в компьютерных играх, или простые подручные помощники, вроде Siri. Они или выполняют узкоспециализированные задачи или являются незначительным комплексом таковых, а любая непредсказуемость взаимодействия ставит их в тупик.

Сильный ИИ – это машины, интеллект которых сопоставим с человеческим мозгом. На сегодняшний день нет реальных представителей этого класса, но компьютеры, вроде Watson очень близки к достижению этой цели.

Совершенные ИИ – будущее, машинный мозг, который превзойдёт наши возможности. Именно об опасности таких разработок предупреждают Стивен Хоккинг, Элон Маск и кинофраншиза «Терминатор».

Естественно, начинать следует с самых простых ботов. Для этого вспомните старую-добрую игру «Крестики-нолики» при использовании поля 3х3 и постарайтесь выяснить для себя основные алгоритмы действий: вероятность победы при безошибочных действиях, наиболее удачные места на поле для расположения фигуры, необходимость сводить игру к ничьей и так далее.

Сыграв несколько десятков партий и анализируя собственные действия, вы наверняка сможете выделить все важные аспекты и переписать их в машинный код. Если нет, то продолжайте думать, а эта ссылка здесь полежит на всякий случай.

К слову, если вы всё-таки взялись за язык Python, то создать довольно простого бота можно обратившись к этому подробному мануалу. Для других языков, таких как C++ или Java, вам также не составит труда найти пошаговые материалы. Почувствовав, что за созданием ИИ нет ничего сверхъестественного, вы сможете смело закрыть браузер и приступить к личным экспериментам.

Стадия 4. Азарт

Теперь, когда дело сдвинулось с мёртвой точки, вам наверняка хочется создать что-то более серьёзное. В этом вам поможет ряд следующих ресурсов:

Как вы поняли даже из названий, это API, которые позволят без лишних затрат времени создать некоторое подобие серьёзного ИИ.

Стадия 5. Работа

Теперь же, когда вы уже вполне ясно представляете, как ИИ создавать и чем при этом пользоваться, пора выводить свои знания на новый уровень. Во-первых, для этого потребуется изучение дисциплины, которое носит название «Машинное обучение». Во-вторых, необходимо научиться работать с соответствующими библиотеками выбранного языка программирования. Для рассматриваемого нами Python это Scikit-learn, NLTK, SciPy, PyBrain и Nump. В-третьих, в развитии никуда не обойтись от функционального программирования. Ну и самое главное, вы теперь сможете читать литературу о ИИ с полным пониманием дела:

И да, вся или почти вся литература по данной тематике представлена на иностранном языке, поэтому если хотите заниматься созданием ИИ профессионально необходимо подтянуть свой английский до технического уровня. Если вы только начинаете путь к мечте, советуем записаться на бесплатный двухчасовой интенсив по основам программирования.

В остальном, ваше дальнейшее развитие будет зависеть лишь от практики и желания усложнять алгоритмы. Но будьте осторожны: возможно совершенный искусственный разум опасен для человечества?

На этой неделе вы могли прочитать крайне мотивирующей кейс от Валерия Турова, где он рассказал об одной из своих целей, которая привела в профессию – желанию познать принцип работы и научиться создавать самому игровых ботов.

А ведь действительно, именно желание создать совершенный искусственный интеллект, будь то игровая модель или мобильная программа, сподвигла на путь программиста многих из нас. Проблема в том, что за тоннами учебного материала и суровой действительностью заказчиков, это самое желание было заменено простым стремлением к саморазвитию. Для тех, кто так и не приступил к исполнению детской мечты, далее краткий путеводитель по созданию настоящего искусственного разума.

Стадия 1. Разочарование

Когда мы говорим о создании хотя бы простых ботов, глаза наполняются блеском, а в голове мелькают сотни идей, что он должен уметь делать. Однако, когда дело доходит до реализации, оказывается, что ключом к разгадке реальной модели поведения является. математика. Если быть немного конкретнее, то вот список её разделов, которые необходимо проштудировать хотя бы в формате университетского образования:

Теория вероятностей и математическая статистика.

Это тот научный плацдарм, на котором будут строится ваше дальнейшее программирование. Без знания и понимания этой теории все задумки быстро разобьются о взаимодействие с человеком, ведь искусственный разум на самом деле не больше, чем набор формул.

Стадия 2. Принятие

Когда спесь немного сбита студенческой литературой, можно приступать к изучению языков. Бросаться на LISP или другие функциональные языки пока не стоит, для начала надо научиться работать с переменными и однозначными состояниями. Как для быстрого изучения, так и дальнейшего развития прекрасно подойдёт Python, но в целом можно взять за основу любой язык, имеющий соответствующие библиотеки.

Стадия 3. Развитие

Теперь переходим непосредственно к теории ИИ. Их условно можно разделить на 3 категории:

Слабый ИИ – боты, которых мы видим в компьютерных играх, или простые подручные помощники, вроде Siri. Они или выполняют узкоспециализированные задачи или являются незначительным комплексом таковых, а любая непредсказуемость взаимодействия ставит их в тупик.

Сильный ИИ – это машины, интеллект которых сопоставим с человеческим мозгом. На сегодняшний день нет реальных представителей этого класса, но компьютеры, вроде Watson очень близки к достижению этой цели.

Совершенные ИИ – будущее, машинный мозг, который превзойдёт наши возможности. Именно об опасности таких разработок предупреждают Стивен Хоккинг, Элон Маск и кинофраншиза «Терминатор».

Естественно, начинать следует с самых простых ботов. Для этого вспомните старую-добрую игру «Крестики-нолики» при использовании поля 3х3 и постарайтесь выяснить для себя основные алгоритмы действий: вероятность победы при безошибочных действиях, наиболее удачные места на поле для расположения фигуры, необходимость сводить игру к ничьей и так далее.

Сыграв несколько десятков партий и анализируя собственные действия, вы наверняка сможете выделить все важные аспекты и переписать их в машинный код. Если нет, то продолжайте думать, а эта ссылка здесь полежит на всякий случай.

К слову, если вы всё-таки взялись за язык Python, то создать довольно простого бота можно обратившись к этому подробному мануалу. Для других языков, таких как C++ или Java, вам также не составит труда найти пошаговые материалы. Почувствовав, что за созданием ИИ нет ничего сверхъестественного, вы сможете смело закрыть браузер и приступить к личным экспериментам.

Стадия 4. Азарт

Теперь, когда дело сдвинулось с мёртвой точки, вам наверняка хочется создать что-то более серьёзное. В этом вам поможет ряд следующих ресурсов:

Как вы поняли даже из названий, это API, которые позволят без лишних затрат времени создать некоторое подобие серьёзного ИИ.

Стадия 5. Работа

Теперь же, когда вы уже вполне ясно представляете, как ИИ создавать и чем при этом пользоваться, пора выводить свои знания на новый уровень. Во-первых, для этого потребуется изучение дисциплины, которое носит название «Машинное обучение». Во-вторых, необходимо научиться работать с соответствующими библиотеками выбранного языка программирования. Для рассматриваемого нами Python это Scikit-learn, NLTK, SciPy, PyBrain и Nump. В-третьих, в развитии никуда не обойтись от функционального программирования. Ну и самое главное, вы теперь сможете читать литературу о ИИ с полным пониманием дела:

И да, вся или почти вся литература по данной тематике представлена на иностранном языке, поэтому если хотите заниматься созданием ИИ профессионально необходимо подтянуть свой английский до технического уровня. Если вы только начинаете путь к мечте, советуем записаться на бесплатный двухчасовой интенсив по основам программирования.


В остальном, ваше дальнейшее развитие будет зависеть лишь от практики и желания усложнять алгоритмы. Но будьте осторожны: возможно совершенный искусственный разум опасен для человечества?

История Искусственного Интеллекта

ОГЛАВЛЕНИЕ

1. ПРЕДЫСТОРИЯ ВОЗНИКНОВЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

2. ИСТОРИЯ РАЗРАБОТКИ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

3. СОВРЕМЕННОЕ СОСТОЯНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

4. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. ВЗГЛЯД В БУДУЩЕЕ

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ВВЕДЕНИЕ

Актуальность исторического исследования. Одним из приоритетных направлений исследования в области Computer Science (Компьютерных наук) является искусственный интеллект. Это важно потому, что люди не совершенны. Они устают, испытывают эмоции и очень часто думают не рационально. Кроме того, в самой человеческой природе есть изъян, который порождает преступность, коррупцию и прочие нежелательные явления. Роботы лишены этих недостатков. Тем не менее, для того, чтобы заменить людей в критических областях, роботы должны иметь интеллект как у людей. Однако, сама идея создания искусственного интеллекта и замена людей роботами очень противоречива и требует ответа на ряд философских вопросов:

Мастер Йода рекомендует:  Элемент link

какова будет роль человека в мире, где практически всю работу за людей будут выполнять роботы;

морально-этические проблемы, возникающие при создании искусственных мыслящих существ;

возможные риски выхода искусственного интеллекта из под контроля и как их предотвратить;

возможно ли в принципе создать искусственный интеллект?

Ответы на эти и другие вопросы требует анализа современных философских воззрений, научных данных о человеческом мозге и сознании, а также некую экстраполяцию развития технологий искусственного интеллекта в будущее, для чего необходимо провести исторический анализ развития данных технологий.

Объект исследования. Объектом исследования в рамках данного реферата является история Computer Science. Данная наука в широком смысле слова включает в себя такие науки и научные дисциплины, как информатика, кибернетика, математическая лингвистика, искусственный интеллект, программная инженерия, а также другие специальные технические дисциплины, связанные с компьютерами.

Предмет исследования. Предметом исследования в рамках настоящего реферат является история искусственного интеллекта, как подраздела Computer Science. Такая дисциплина как искусственный интеллект, включающая в себя методы автоматизации когнитивной деятельности человека, в том числе компьютерное зрение, эмуляцию работы нейронов головного мозга, обработку естественного языка, различные эвристические алгоритмы и методы оптимизации.

Цели исследования. Целью данного исследования является анализ предыстории и истории создания технологий искусственного интеллекта, анализ современного состояния и взгляд в будущее для оценки возможных последствий для человечества, к которым приведет развитие технологии ИИ.

Задачи исследования. Исходя из поставленной цели исследования, в данном реферате выполнены следующие задачи:

— Обзор исторических предпосылок создания технологий искусственного интеллекта;

— Обзор исторических событий, связанных с разработкой искусственного интеллекта, эволюции данных технологий;

— Обзор современного состояния исследований в области ИИ;

— Краткий прогноз будущего развития технологий ИИ и предложение способов уменьшения рисков и решения филосовско-этических проблем, связанных с ИИ.

Информационная база исследования. В рефераты была использованы учебно-методическая литература по Искусственному Интеллекту, в частности, таких авторов как Стюарт Рассел, Поспелов Д.А., Л. Шапиро, Дж. Стокма, Д. Форсайт, Ж. Понс, Р. Гонсалес, Дж. Кэнни; научные труды А. Тьюринга, учебно-методическая литература по философии, современные научные статьи; научные труды Холка Круза и Мальа Шиллинга; книга Н. Бострома. «Искусственный интеллект. Этапы. Угрозы. Стратегии»; электронные ресурсы: Википедия, geektimes.ru, материалы сайта общественного движения «Россия 2045».

Практическая значимость исследования, проведенного в рамках данного реферата заключается в прогнозировании основных тенденций развития искусственного интеллекта на основе его истории, поднятии морально этических вопросов, связанных с дальнейшим развитием систем ИИ и предложении конкретных способов их решения, а также предсказании возможных рисков, связанным с выходом ИИ из под контроля и рассмотрении вопросов их решения.

Искусственный интеллект – это теория и методы создания компьютерных программ, способных выполнять когнитивную работу, выполняемую человеческим мозгом [1]. Первые компьютеры появились в 30-ых года XX-столетия [2], однако, как появление первых ЭВМ имели некоторые технические и философские предпосылки, так и сама идея искусственного интеллекта имела такие же предпосылки задолго до появления компьютеров.

Самая первая философская предпосылка создания ИИ, пожалуй, возникла еще в древней Греции, с попытки понять разум человека. Эта попытка является изобретение Аристотелем логического мышления. Его силлогизмы стали образцом для создания процедур доказательства [1]. Но теоретические предпосылки создания науки об искусственном интеллекте появились значительно позже, в XVII-ом веке, когда возник механистический материализм, начиная с работ Рене Декарта «Рассуждение о методе» (1637) и сразу вслед за этим работы Томаса Гоббса «Человеческая природа» (1640) [1,3].

Следующий шаг – это технические предпосылки создания ИИ. Они также берут свое начало в XVI-ом веке в виде работ Вильгельма Шикарда (нем. Wilhelm Schickard), который в 1623 построил первую механическую цифровую вычислительную машину, за которой последовали машины Блеза Паскаля (1643) и Лейбница (1671). Лейбниц также был первым, кто описал современную двоичную систему счисления, хотя до него этой системой периодически увлекались многие великие ученые. [4,5].

Предыстория ИИ заканчивается с появлением первых компьютеров, когда стало возможным реализовать теоретические разработки практически. С этого момента начинается, собственно, сама история ИИ.

Первая теоретическая разработка ИИ, которую принципиально можно было реализовать при помощи существующих на тот момент ЭВМ, относится к 40-ым годам XX-ого века. Так, в 1943 году Уоррен Маккалок и Уолтер Питтс опубликовали свои труды под названием «A Logical Calculus of the Ideas Immanent in Nervous Activity (Логическое исчисление идей, относящихся к нервной активности)», которые заложили основы искусственных нейронных сетей. Авторы предложили модель искусственного нейрона. Д. Хебб в работе «Организация поведения» 1949 года [6] описал основные принципы обучения нейронов. Интерес к исследованию нейронных сетей угас после публикации работы по машинному обучению Минского и Пейперта в 1969 году. Ими были обнаружены основные вычислительные проблемы, возникающие при компьютерной реализации искусственных нейронных сетей.

Следующая теоретическая разработка, по своей значимости практически самая важная — это работа Алана Тьюринга «Computing Machinery and Intelligence (Вычислительные машины и разум)». Данная работа была опубликована в 1950 году в журнале «Mind», дающая широкой аудитории представление о том, что в настоящее время называется тестом Тьюринга. Суть этого теста следующая: человек и робот общаются с другим человеком, таким образом, чтобы тот не знал и не видел, кто есть кто. Например, по телефону, через телетайп или через чат (в современной интерпретации). Если робот смог выдать себя за человека, значит, это и есть искусственный интеллект[ 7-9 ].

В 1954 году родилось такое направление ИИ, как Neural language processing (Обработка естественного языка, или компьютерная лингвистика). Все началось со знаменитого Джорджтаунского эксперимента, в котором были продемонстрированы возможности машинного перевода с одного языка на другой. В ходе эксперимента был продемонстрирован полностью автоматический перевод более 60 предложений с русского языка на английский. Что интересно, в его основе лежала довольно простая система: она была основана всего на 6 грамматических правилах, а словарь включал 250 записей. В компьютер в торжественной обстановке на перфокартах вводились предложения вроде: «Обработка повышает качество нефти», «Командир получает сведения по телеграфу», — и машина выводила их перевод, напечатанный транслитом. Демонстрация была широко освещена в СМИ и воспринята как успех. Она повлияла на решение правительств некоторых государств, в первую очередь США, направить инвестиции в область вычислительной лингвистики[10].

Однако, в дальнейшем выяснилось, что все не так хорошо, как кажется. При попытке перевода более сложных текстов выяснились непреодолимые на тот момент трудности. В течении 10 лет не были достигнуты значительные успехи в теории и практике машинных переводов и финансирование подобных проектов было свернуто.

Другое важное направление в области разработки искусственного интеллекта – экспертные системы. Предполагалось, что такие программно информационные комплексы, с которыми пользователь будет вести диалог в режиме «вопрос-ответ» способны заменить человека — эксперта. Первая экспертная система в области идентификации органических соединений с помощью анализа масс-спектрограмм была создана в 1965 году и названа Dendral. Работа с ней происходила следующим образом: Пользователь дает системе Dendral некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает диагноз в виде соответствующей химической структуры. В состав Dendral входят также программы, помогающие пользователю отбрасывать одни гипотезы и применять другие, используя знания о связях показаний масс-спектрометра со структурой молекул соединения[11-12].

Другой пример экспертной системы MYCIN. Она была разработана в 70-х годах XX-ого века в Стэнфордском университете. В отличии от Dendral в ней внимание было акцентировано на использовании решающих правил с элементами неопределенности. MYCIN был спроектирован для диагностирования бактерий, вызывающих тяжелые инфекции, такие как бактериемия и менингит, а также для рекомендации необходимого количества антибиотиков в зависимости от массы тела пациента. Название системы происходит от суффикса «-мицин», часто встречающегося в названиях антибиотиков. Также Mycin использовалась для диагностики заболеваний свертываемости крови. Однако фактически она не использовалась на практике. И произошло это вовсе не из-за того, что система была плохой или неточной. Наоборот, по объему знаний она превосходила профессоров Stanford medical school. Но из-за технических сложностей того времени сеанс работы с программой мог длиться более 30 минут, что было недопустимой потерей времени для занятого врача клиники.

Главной трудностью, с которой столкнулись во время разработки MYCIN и последующих экспертных систем, было «извлечение» знаний из опыта людей-экспертов для формирования базы правил. Сейчас данными вопросами занимается инженерия знаний[13-14].

В настоящее время экспертные системы применяются для прогнозирования, планирования, контроля и управления, в том числе, на атомных электростанциях. Также существуют экспертные системы (например HASP/SIAP ), которые определяют местоположение и типы судов в Тихом океане по данным акустических систем слежения[15].

Очень важное направление в ИИ – робототехника. Ее история берет свое начало в 60-х годах XX-века, с появления первого робота, интегрирующего зрительную, манипулятивную и интеллектуальную системы. Этот робот получил название Freddy. Его создали в Эдинбургском Университете в 1969-1971 году. Вторая версия данного робота была разработана в 1973-1976 годах. Робот был достаточно универсальным, что позволяло с лёгкостью подготовить и перепрограммировать его для новых задач. Система использовала инновационный набор высокоуровневых процедур, управляющих движением манипулятора. Freddy являлся универсальной системой, позволяющей с лёгкостью подготовить и перепрограммировать его для новых задач. Задачи включали в себя насаживание колец на штыри или сборка простой модели игрушки из деревянных блоков различной формы. Информация о положении деталей получается с видеокамеры и сопоставляется с моделями деталей в памяти[1,5].

Датой рождения первого по-настоящему серьезного робота, о котором услышал весь мир, можно считать 18 мая 1966 года. В этот день Григорий Николаевич Бабакин, главный конструктор машиностроительного завода имени С.А.Лавочкина в Химках подписал головной том аванпроекта E8. Это был «Луноход-1», луноход 8ЕЛ в составе автоматической станции E8 №203, — первый в истории аппарат, успешно покоривший лунную поверхность 17 ноября 1970.

Первые коммерческие успехи применения промышленных роботов явились мощным импульсом для их дальнейшего совершенствования. В начале 1970-х гг. появляются роботы, управляемые компьютерами. Первый мини-компьютер, управляющий роботом, был выпущен в 1974 г. фирмой «Cincinnati Milacron», одной из ведущих фирм – изготовителей роботов в США. В конце 1971 г. американской фирмой «INTEL» был создан первый микропроцессор, а несколькими годами позже появляются роботы с микропроцессорным управлением, что обусловило существенное повышение их качества при одновременном снижении стоимости.

Первые промышленные роботы с развитой сенсорной системой и микропроцессорным управлением появились на рынке и получили практическое применение в 1980-1981 гг. прежде всего на сборке, дуговой сварке, контроле качества для взятия неориентированных предметов, например с конвейера [16-18].

В 1975 произошел некоторый возврат интереса к нейронным сетям. Фукусимой был разработан когнитрон, который стал одной из первых многослойных нейронных сетей. Сети могли распространять информацию только в одном направлении или перебрасывать информацию из одного конца в другой, пока не активировались все узлы и сеть не приходила в конечное состояние. Достичь двусторонней передачи информации между нейронами удалось лишь в сети Хопфилда (1982), и специализация этих узлов для конкретных целей была введена в первых гибридных сетях[1,2,5,19].

Обзор истории ИИ был бы не полным без компьютерного зрения – очень важной составляющей искусственного интеллекта. В задачу компьютерного зрения входят такие важные подзадачи, как распознавания конкретных объектов на видеоизображениях, например, человеческих лиц, Идентификация – распознавание индивидуального экземпляра объекта, например, «узнавание» по лицу конкретного человека. Обнаружение – в частности, поиски в видеоряде конкретных событий. Существуют и другие подзадачи: поиск изображений по содержанию, оценка положения объекта на изображении, оптическое распознавание символов[20-24].

Как самостоятельная дисциплина, компьютерное зрение зародилось в начале 1950-х годов. В 1951 Джон фон Нейман (John von Neumann) предложил анализировать микроснимки при помощи компьютеров путём сравнения яркости в соседних областях снимков. В 1960-е начались исследования в области распознавания (чтения) машинописного и рукописного текста, а также в области классификации хромосом и клеток в изображениях, полученных с микроскопа. К этому же периоду времени относятся первые попытки моделирования нейронной деятельности человеческого мозга для решения задач компьютерного зрения.

В 1963-м году появилась диссертация Робертса (Roberts), который предложил простейший детектор краёв и предложил первые методы распознавания на изображениях трёхмерных объектов (многогранников). Первые успехи в компьютерном зрении создавали у исследователей впечатление, что ещё немного, и компьютеры смогут «видеть» [22-24]. Однако все оказалось не так радужно, как хотелось бы. Наличие чрезвычайно сложной взаимосвязи между свойствами трёхмерных объектов мира и их двумерными изображениями было осознано в начале 1970-х годов. Это убедило учёных в необходимости понять, как человек использует визуальную информацию (монокулярную, бинокулярную, информацию о движении) для мысленного построения трёхмерных структур. В дальнейшем была предложена парадигма, предусматривающая следующие стадии анализа изображений :

В 1980-х получила популярность другая программа исследований, которая заключалась в поиске новых сложных математических методов для решения задач компьютерного зрения. В конце 1990-х годов и в течение первого десятилетия XXI века в компьютерном зрении произошел качественный скачок сразу в нескольких направлениях. В этом периоде трудно выявить какие-либо новые парадигмы, охватывающие всю дисциплину целиком. Скорее, скачок вызван резким ростом интереса к компьютерному зрению и, как следствие, большим энтузиазмом в переносе методов из других дисциплин (искусственный интеллект, математическая статистика, фотограмметрия) в компьютерное зрение. Прежде всего, результатом этого прорыва стал прогресс в методах описания изображений. Новые результаты, полученные в начале ХХI века в фотограмметрии позволили строить трехмерные модели в медицине практически в реальном времени. Трехмерная реконструкция также широко применяется для создания компьютерных моделей городов [22,25-27].

На данный момент человечество вплотную подошло к созданию так называемого Сильного Искусственного Интеллекта, хотя он пока еще не создан. Под сильным ИИ понимается такой ИИ, который способен мыслить и осознавать себя, причем не обязательно, что процесс мышления будет подобен человеческому. Под слабым ИИ подразумеваются технологии автоматизации отдельных функций человеческого разума.

Сильный ИИ должен обладать следующими способностями:


— Принятие решений, использование стратегий, решение головоломок и действия в условиях неопределенности [29];

— Представление знаний, включая общее представление о реальности;

— Общение на естественном языке;

— Объединение всех этих способностей для достижения заданных целей.

Как видим, все необходимое для создании Сильного ИИ, кроме последнего, уже существует в той или иной мере. В частности, компьютеры умеют играть в шахматы, и даже в игру ГО, хотя до недавнего времени это считалось неразрешимой задачей. Представление знаний реализованы в экспертных системах, что касается планирования, и это тоже есть, например, Холк Круз и Мальт Шиллинг в своих исследованиях использовали робота, который обладает способностями перспективного планирования и имеет встроенную систему навигации. В поздних версиях этого робота реализована также система внутреннего моделирования, семантическая сеть и эмулятор эмоций. Исследование опубликовано в статье «Mental States as Emergent Properties. From Walking to Consciousness (Психические состояния как эмерджентные свойства. От походки до сознания)» [30]. Технология машинного обучения нашла свое теоретическое и практическое подтверждение. Также на данный момент создано множество алгоритмов и технологий анализа текстов на естественном языке, созданы чат-боты, которые способны проходить тест Тьюринга. Камнем преткновения пока является объединение всех этих технологий в единое целое, в некую систему, которая способна действовать автономно, приспосабливаться к окружающей среде и демонстрировать разумное поведение. Что это даст человечеству? Очень многое, например:

— Замена людей роботами в критически важных областях, где человеческий фактор может иметь негативные последствия, например, очень положительный эффект для общества будет достигнут, если суды и полиция будут заменены роботами, так как последние не берут взяток (положительный эффект – искоренение коррупции);

— Полностью автоматизированное производство, способное функционировать и перестраиваться без участия человека. Такие роботы могут заменить человека практически на любой работе, создавая общество изобилия, где люди могут проводить время так, как им захочется. В этой реальности высококлассные роботы будут двигать экономику. Продовольствие, энергия и большинство потребительских товаров будут бесплатны или очень дешевы, а люди будут получать ежемесячно фиксированное пособие от государства.

Однако, кроме очевидных плюсов, создание сильного ИИ таит в себе определенные риски, о которых мы поговорим в следующей главе.

Как я уже сказал в предыдущей главе, мир вплотную подошел к созданию сильного ИИ, но он пока еще не создан. Были перечисленные преимущества, которые даст человечеству сильный ИИ. А сейчас мы поговорим о возможных рисках и как их избежать, либо об этом думать нужно уже сейчас. Что может пойти не так? Разберем возможные ситуации.

Сильный ИИ выйдет из под контроля, перестанет подчиняться человеку и будет преследовать свои личные цели. Возможно, он станет создавать себе подобных, увеличивать инфраструктуру, разрушая среду обитания человека. Причем, его цели могут быть настолько чуждые человечеству, что это даже невозможно вообразить. Например, единственной целью существования такого сверхразума может стать вычисление всех знаков в числе «пи» или заполнение всей Вселенной канцелярскими скрепками. Как такое может произойти? Например, в целях тестирования программист дает ИИ задачу – вычислить число «пи». Вскоре ИИ обнаруживает, что для выполнения данной задачи у него не хватает вычислительной мощности. Он захватывает все доступные компьютеры и обнаруживает, что все равно не способен выполнить задачу в конечное время (так как «пи» число иррациональное и в нем бесконечное количество знаков). Что «взбесившийся» ИИ будет делать дальше? Строить новые компьютеры. В том числе и за пределами Земли, когда на Земле не останется места. Если у ИИ не будет прямого запрета на убийства людей, то он будет убивать людей, пытающихся помешать ему выполнить поставленную задачу.

Другая опасность – порочная реализация поставленной задачи: когда задача выполнена, но не так, как хотел постановщик данной задачи. Например, человек говорит роботу: «сделай мне хорошо». Робот усыпляет хозяина, производит ему операцию на мозге, вживляет электрод в зону удовольствия и по пробуждению просто бесконечно стимулирует ее. Формально робот сделал то, что приказал ему хозяин, но вряд ли последнего устроит такой способ выполнения задачи.

Третий риск – возможность единоличного захвата власти одним человеком или группой лиц при помощи ИИ.

Теперь о минимизации данных рисков. Первый риск связан с тем, что ИИ может выйти из под контроля и бесконечно увеличивать свою инфраструктуру. Очевидно, надо заложить в программу некое стоп-условие, при достижении которого выполнение задачи будет приостановлено. Проблема в том, что ИИ, обладая сверхразумом, может решить проверить, действительно ли стоп-условие наступило. Например, дано задание: произвести миллион канцелярских скрепок. Для робота, не обладающего ИИ, проблем не возникает, он просто выполнит миллион раз команду «выпустить скрепку». Однако, выполнение данной программы не гарантирует, что будет выпущено действительно миллион скрепок. Может быть брак, механизм может сломаться, может внезапно кончиться материал. Таким образом, разумный робот вполне может счесть нужным проконтролировать выполнение задания, например, посчитать выпущенные скрепки. Но опять же, нет гарантии, что подсчет произошел без ошибки. Поэтому, ИИ может принять решение построить машину, которая бы проконтролировала процесс подсчета. Но что, если машина сломалась или сработала неправильно? Робот может применять решение сделать машину для контроля той первой машины. И такой процесс может продолжаться до бесконечности. Решение задать предел допусков точности ничего не даст, так как ИИ может «захотеть» проверить, а укладывается ли результат в этот предел и все равно запустить бесконечное разрастание инфраструктуры для такой проверки[31].

Для решения проблемы риска бесконечного наращивания инфраструктуры зададим вопрос: А как человек принимает решение о том, что «и так сойдет» и прекращает ненужный перфекционизм? Тут возможны несколько вариантов:

— Сила привычки, кто-то привык делать все спустя рукава, кто-то проверяет более качественно, но очень мало людей обладают патологическим перфекционизмом;

— Предел качества определяют формальные требования.

Стоит рассмотреть первый вариант, так как во втором случае мы сталкиваемся с той же проблемой, а если формальное требование к прекращению процесса жестко задать программно, то это уже не будет Сильный ИИ. Итак, ИИ должен иметь нечто человеческое, привычки, характер, ли даже эмуляцию свободы воли (разумеется, с некоторыми ограничениями, гарантирующими человечеству безопасность). Иными словами, Сильный ИИ должен в той или иной мере имитировать определенные аспекты деятельности человеческого мозга, а именно процесс саморегуляции своего поведения. Правда, и поведение человека также иногда выходит из под контроля. Но в этом случае действует механизм принуждения человеческого общества: полиция, суды, тюрьмы, психиатрические лечебницы. Нечто подобное можно сделать и в случае ИИ: сообщество самоорганизующихся интеллектуальных агентов.

Второй риск – риск порочной реализации. Его можно минимизировать, если заложить в ИИ механизм прогнозирования последствий собственных действий, а также знания о морально-этических нормах и желаниях людей. Морально этические нормы в ИИ также необходимы для предотвращения злоупотребления силой ИИ со стороны отдельных людей. К сожалению, остался открытый вопрос о том, что один человек или группа лиц может создать сильный ИИ для реализации их личных целей, заложив в него свое понимание морально-этических норм. Осознание данной проблемы, наиболее вероятно, приведет к гонке по созданию ИИ: конкурирующие группы (в том числе и целые государства) будут стремиться первыми создать ИИ, дабы получить преимущество.

В данном реферате были поставлены и другие философские вопросы, связанные с развитием Искусственного Интеллекта.

Какова будет роль человека в мире, где практически всю работу за людей будут выполнять роботы. Самый простой ответ на этот вопрос: роботы будут выполнять всю рутинную работу, для людей останутся только интересные творческие профессии, связанные с наукой и искусством. Тем не менее, открытым остается вопрос, что делать, если даже и эту деятельность роботы станут выполнять лучше людей, и последние просто окажутся невостребованными. Тогда людям останется только роль потребителей, чье существование лишено какого-либо смысла. В таком случае логичным вариантом развития цивилизации является уход людей в виртуальную реальность, которую постоянно поддерживает самообеспечивающийся и расширяющийся компьютерный континуум. Другой вариант решение проблемы ненужности людей – слияния сознания человека с разумом машины и обретение кибернетического бессмертия. Данную идею активно продвигает общественное движение «Россия 2045» [32].

Морально-этические проблемы, возникающие при создании искусственных мыслящих существ. Данные проблемы имеют место только при создании подлинно осознающих субъектов, а не псевдосознания в виде эмуляции психических процессов человека, пусть даже это псевдосущество проходит тест Тьюринга. Под подлинно осознающими субъектами следует понимать живые или квазиживые существа, обладающие самосознанием и субъективными переживаниями, схожими с самосознанием и субъективными переживаниями человека или другого высокоразвитого существа. Например, если в результате генетических экспериментов будет создано искусственное существо, обладающее высокоразвитой нервной системой, позволяющей высшую нервную деятельность, то встает вопрос об этической допустимости подобных экспериментов, так как ошибки при проведении эксперимента могут стать причиной страдания такого существа. Аналогичная проблема имеет место и при создании квазиживых существ, под которыми следует понимать искусственно созданные объекты, обладающие самоосознаванием и субъективными переживаниями. К таким объектам может быть отнесен и ИИ, если он базируется не на цифровых вычислениях, лишь эмулирующих психические функции, а на явлениях физического мира, создающих сознание и субъективные переживания, если такие явления будут открыты наукой.

Данные морально-этические проблемы обусловлены конфликтом интересов: с одной стороны интересы общества, которое нуждаются в научно-техническом прогрессе (эксперименты над подобными существами потенциально способны помочь пониманию природы разума и сознания), с другой стороны, интересы созданных искусственных существ или квазисуществ, которые не желают испытывать страдания. Аналогичная моральная дилемма встает при решении вопроса экспериментов на людях и на животных, которая, на данный момент решена следующим образом: эксперименты на людях запрещены без их согласия. Животные считаются менее развитыми и эксперименты на них разрешены. Однако, в последнее время имеет место тенденция приравнивать некоторых высокоразвитых животных к людям, например, шимпанзе, с соответствующими юридическими и морально этическими последствиями. Например, в США впервые в истории суд постановил, что шимпанзе, которые содержатся в научно-исследовательском центре университета штата Нью-Йорк в Стоуни-Брук, обладают правом человека [33, 34].

В случае с искусственно созданными существами проблема состоит в том, что не всегда можно предсказать результат эксперимента, а значит, неизвестно, насколько высокоразвитое существо получится на выходе. Кроме того, до создания существа у него невозможно спросить согласие на проведение эксперимента. Однако и решение этой проблемы можно найти по аналогии с существующими решениями. В частности, при рождении человека у него не спрашивают, хочет ли он появиться на свет. Но при рождении он получает определенные права и гарантии, установленные законом, в частности, в виде обязательства родителей заботиться о нем до совершеннолетия. Полагаю, аналогичным образом может быть решена и моральная дилемма при создании искусственных существ и квазисуществ, а именно, обязать лиц, проводящих подобные эксперименты, принять все необходимые меры по прогнозированию последствий данного эксперимента и минимизации страданий существ, полученных в результате, вплоть до полного их устранения, а также, по аналогии с рождением ребенка обязать содержать данное существо в приемлемых условиях. В случае невозможности прогноза достаточной точности такие эксперименты должны быть запрещены.

ЗАКЛЮЧЕНИЕ

В заключении привожу краткое обобщение истории развития ИИ, прогноз на ближайшее будущее, выводы о возможных рисках и морально-этических проблемах, а также пути их решения.

Предыстория. Первой предпосылкой создания
ИИ можно считать
изобретение Аристотелем
логики и механистический материализм Рене Декарта и Томаса Гоббса. Технические предпосылки создания ИИ берут свое начало в XVI-ом веке в виде работ Вильгельма Шикарда (нем. Wilhelm Schickard), который в 1623 построил первую механическую цифровую вычислительную машину.

История. В середине XX-ого века были заложены теоретические основы искусственных нейронных сетей. Но ближе к концу XX-ого века интерес к нейронным сетям временно угас. Также в 50-ых XX-ого века А. Тьюрингом были разработаны основные концепции, определяющие ИИ, известные в настоящее время как Тест Тьюринга. В то же время произошел прорыв в технологиях машинного перевода, который ненадолго воодушевил исследователей. К сожалению, дальнейшее развитие данного направления было свернуто, так как перевод более сложных текстов столкнулся с непреодолимыми трудностями.

В 60-70 годах прошлого века началось развитие экспертных систем и робототехники. В частности, были созданы автономно-управляемые роботы для исследования других планет, Луны и Марса. Чуть позже появились промышленные роботы. Тогда же произошло возрождение интереса к нейронным сетям. Примерно в это же время и по наши дни бурно развивалось компьютерное зрение, теоретические основы которого были заложены в 50-ых годах XX-ого века. Получили развитие и продолжение и другие направления ИИ.

Современное состояние. Человечество стоит на пороге грандиозного прорыва в области исследований ИИ – создание Сильного Искусственного Интеллекта. Это может дать человечеству очень большие плюсы, в частности, общество изобилия и решение практически всех проблем, стоящих перед человечеством. Однако, такой прорыв таит в себе и немалые опасности.

Будущее ИИ. Возможные риски и морально этические проблемы. Как было сказано выше, создание Сильного ИИ – дело ближайшего будущего, поэтому, к возможным рискам и морально-этическим вопросам, связанным с появлением Сильного ИИ нужно быть готовым уже сейчас.

— Выход ИИ из под контроля, вследствие чего может начаться безостановочный рост инфраструктуры ИИ, который разрушит среду обитания человека;

— Порочная реализация поставленной задачи, когда формально ИИ выполнил приказ, но результат не устроил того, кто отдал такой приказ;

— Единоличный захват власти лицом или группой лиц, получившей управление над ИИ.

Возможные пути решения:

— Проблема выхода ИИ из под контроля: Сильный ИИ должен в той или иной мере имитировать определенные аспекты деятельности человеческого мозга, а именно процесс саморегуляции своего поведения, а также его деятельность должна быть ограничена самоорганизующимся сообществом подобных ему интеллектуальных агентов;

— Риск порочной реализации: Его можно минимизировать, если заложить в ИИ механизм прогнозирования последствий собственных действий, а также знания о морально-этических нормах и желаниях людей;

— Один человек или группа лиц может создать сильный ИИ для реализации их личных целей, заложив в него свое понимание морально-этических норм: решение данной проблемы пока не видится, кроме строго контроля за разработками в области ИИ.

Кроме того, в связи с возможностью создания Сильного ИИ встают морально-этические вопросы, в частности, роль людей в эпоху Сильного ИИ и морально-этические проблемы экспериментов с Сильным ИИ. Решение первой проблемы видится в том, чтобы оставить людям только творческий труд, связанный с наукой и искусством, а в случае, если ИИ будет превосходить людей и в этих областях, то слияние разума машины с разумом человека. Насчет моральной стороны экспериментов с ИИ, проблема возникает только в том случае, если будут использованы технологии, позволяющие создавать живых или квазиживых существ, обладающих самосознанием и субъективными переживаниями. Решение проблемы видится в качественном прогнозировании последствий экспериментов и ответственности заинтересованных лиц за минимизацию страданий созданных в ходе экспериментов таких существ. Если качественное прогнозирование и избавление искусственных существ от страданий невозможно, то такие эксперименты должны быть запрещены.

�� Герои будущего. Как работает искусственный интеллект

Искусственный интеллект – технология, которую мы точно заберём с собой в будущее.

Рассказываем, как он работает и какие крутые варианты применения нашел.

�� Рубрика «Технологии» выходит каждую неделю при поддержке re:Store.

Что представляет собой искусственный интеллект

Искусственный интеллект (ИИ) – это технология создания умных программ и машин, которые могут решать творческие задачи и генерировать новую информацию на основе имеющейся. Фактически искусственный интеллект призван моделировать человеческую деятельность, которая считается интеллектуальной.

Традиционно считалось, что творчество присуще только людям. Но создание искусственного интеллекта изменило привычный порядок вещей

Робот, который просто механически колет дрова, не наделён ИИ. Робот, который сам научился колоть дрова, смотря на пример человека или на полено и его части, и с каждым разом делает это всё лучше, обладает ИИ.

Мастер Йода рекомендует:  Песочница проектов. Nyctophilia — 2D психологический триллер

Если программа просто достаёт значения из базы по определённым правилам, она не наделена ИИ. Если же система после обучения создаёт программы, методы и документы, решая определённые задачи, она обладает ИИ.

Как создать систему искусственного интеллекта

В глобальном смысле нужно сымитировать модель человеческого мышления. Но на самом деле необходимо создать чёрный ящик – систему, которая в ответ на набор входных значений выдавала такие выходные значения, которые бы были похожи на результаты человека. И нам, по большому счёту, безразлично, что происходит у неё «в голове» (между входом и выходом).


Системы искусственного интеллекта создаются для решения определённого класса задач

Например, популярны текстовые или голосовые ассистенты, которые ответят на ваши вопросы или смогут поддержать разговор. Просто скажите: «Привет, Siri» – и искусственный интеллект к вашим услугам.

Основа искусственного интеллекта – обучение, воображение, восприятие и память

Первое, что нужно сделать для создания искусственного интеллекта – разработать функции, которые реализуют восприятие информации, чтобы можно было «скармливать» системе данные. Затем – функции, которые реализуют способность к обучению. И хранилище данных, чтобы система могла куда-то складывать информацию, которую получит в процессе обучения.

После этого создаются функции воображения. Они могут моделировать ситуации с использованием имеющихся данных и добавлять новую информацию (данные и правила) в память.

Обучение бывает индуктивным и дедуктивным. В индуктивном варианте системе дают пары входных и выходных данных, вопросов и ответов и т.п. Система должна найти связи между данными и в дальнейшем, используя эти закономерности, находить выходные данные по входным.

В дедуктивном подходе (привет, Шерлок Холмс!) используется опыт экспертов. Он переносится в систему как база знаний. Здесь есть не только наборы данных, но и готовые правила, которые помогают найти решение по условию.

В современных системах искусственного интеллекта используют оба подхода. Кроме того, обычно системы уже обучены, но продолжают учиться в процессе работы. Это делается для того, чтобы программа на старте демонстрировала достойный уровень способностей, но в дальнейшем становилась ещё лучше. К примеру, учитывала ваши пожелания и предпочтения, изменения ситуации и др.

В системе искусственного интеллекта даже можно задать вероятность непредсказуемости. Это сделает его более похожей на человека.

Почему искусственный интеллект побеждает человека

Прежде всего, потому, что у него ниже вероятность ошибки.

  • Искусственный интеллект не может забыть – у него абсолютная память.
  • Он не может нечаянно проигнорировать факторы и зависимости – у каждого действия ИИ есть чёткое обоснование.
  • ИИ не колеблется, а оценивает вероятности и склоняется в пользу большей. Поэтому может оправдать каждый свой шаг.
  • А ещё у ИИ нет эмоций. Значит, они не влияют на принятие решений.
  • Искусственный интеллект не останавливается на оценке результатов текущего шага, а продумывает на несколько шагов вперёд.
  • И у него хватает ресурсов, чтобы рассматривать все возможные варианты развития событий.

Крутые варианты применения искусственного интеллекта

Вообще говоря, искусственный интеллект может всё. Главное правильно сформулировать задачу и обеспечить его начальными данными. К тому же ИИ может делать неожиданные выводы и искать закономерности там, где, казалось бы, их нет.

Ответ на любой вопрос

Группа исследователей под руководством Дэвида Феруччи разработала суперкомпьютер Watson с вопросно-ответной системой. Система, названная в честь первого президента IBM Томаса Уотсона, может понимать вопросы на естественном языке и искать ответы на них в базе данных.

Watson объединяет 90 серверов IBM p750, в каждом из которых установлено по четыре восьмиядерных процессора архитектуры POWER7. Общий объём оперативной памяти системы превышает 15 ТБ.

В числе достижений Watson – победа в игре «Jeopardy!» (американская «Своя игра»). Он победил двух лучших игроков: обладателя самого большого выигрыша Брэда Раттера и рекордсмена по длине беспроигрышной серии Кена Дженнингса.

Приз Watson – 1 млн долларов. Правда, только в 2014 году в него инвестировали 1 млрд

Кроме того, Watson участвует в диагностике онкологических заболеваний, помогает финансовым специалистам, используется для анализа больших данных.

Распознавание лиц

В iPhone X распознавание лиц разработано с использованием нейросетей – варианта системы искусственного интеллекта. Нейросетевые алгоритмы реализованы на уровне процессора A11 Bionic, за счёт чего он эффективно работает с технологиями машинного обучения.

Нейросети выполняют до 60 млрд операций в секунду. Этого достаточно, чтобы проанализировать до 40 тыс. ключевых точек на лице и обеспечить исключительно точную идентификацию владельца за доли секунды.

Даже если вы отрастите бороду или наденете очки, iPhone X вас узнает. Он попросту не учитывает волосяной покров и аксессуары, а анализирует область от виска до виска и от каждого виска до углубления под нижней губой.

Экономия энергии

И снова Apple. В iPhone X встроили интеллектуальную систему, которая отслеживает активность установленных приложений и датчик движения, чтобы понять ваш распорядок дня.

После этого iPhone X, к примеру, предложит вам обновиться в максимально удобное время. Он поймает момент, когда у вас стабильный интернет, а не прыгающий сигнал с мобильных вышек, и вы не выполняете срочных или важных задач.

ИИ также распределяет задачи между ядрами процессора. Так он обеспечивает достаточную мощность при минимальных затратах энергии.

Создание картин

Творчество, ранее доступное лишь человеку, открыто и для ИИ. Так, система, созданная исследователями из Университета Рутгерса в Нью-Джерси и лаборатория AI в Лос-Анджелесе, представила собственный художественный стиль.

А система искусственного интеллекта от Microsoft может рисовать картины по их текстовому описанию. К примеру, если вы попросите ИИ нарисовать «желтую птицу с черными крыльями и коротким клювом», получится что-то вроде этого:

Ведущий автор работы Сяодон Хе отметил:

Такие птицы могут и не существовать в реальном мире — просто так их представляет наш компьютер.

Более массовый пример – приложение Prisma, которая создаёт картины из фотографий:

Написание музыки

В августе искусственный интеллект Amper сочинил, спродюсировал и исполнил музыку для альбома «I AM AI» (англ. я — искусственный интеллект) совместно с певицей Тэрин Саузерн.

Amper разработала команда профессиональных музыкантов и технологических экспертов. Они отмечают, что ИИ призван помочь людям продвинуть вперед творческий процесс.

ИИ может написать музыку за несколько секунд

Amper самостоятельно создала аккордовые структуры и инструментал в треке «Break Free». Люди лишь незначительно поправили стиль и общую ритмику.

Ещё один пример – музыкальный альбом в духе «Гражданской обороны», тексты для которого писал ИИ. Эксперимент провели сотрудники «Яндекса» Иван Ямщиков и Алексей Тихонов. Альбом 404 группы «Нейронная оборона» выложили в сеть. Получилось в духе Летова:

Затем программисты пошли дальше и заставили ИИ писать стихи в духе Курта Кобейна. Для четырёх лучших текстов музыкант Роб Кэррол написал музыку, и треки объединили в альбом Neurona. На одну песню даже сняли клип – правда, уже без участия ИИ:

Создание текстов

Писателей и журналистов вскоре также может заменить ИИ. К примеру, системе Dewey «скормили» книги библиотеки проекта «Гутенберг», затем добавили научные тексты из Google Scholar, ранжировав их по популярности и титулованности, а также продажам на Amazon. Кроме того, задали критерии написания новой книги.

И Dewey смог! Он написал книгу о паре, которая не могла быть вместе. Правда, у персонажей были странные имена, а загадочное «Приложение 0» содержало нечто, похожее на строку кода. Но это только начало…

Игра в шахматы

Знаменитый Deep Blue был крут, но в первом матче проиграл Гарри Каспарову со счётом 2 : 4, а во втором – выиграл с результатом 3.5 : 2.5. Но он изначально был «накачан» знаниями.

А новая система AlphaZero до турнира знала лишь как ходят фигуры и какова цель игры. Но она обучилась и за четыре часа победила программу по игре в шахматы Stockfish 8, которая считалась лучшей в мире.

Более того: AlphaZero не проиграла ни одной из 100 турнирных партий


AlphaZero – улучшенная версия AlphaGo Zero. Она 100 раз подряд обыграла знаменитую систему AlphaGo, которой удалось одержать победу над сильнейшим из игроков-людей.

Итак, у AlphaZero была информация о том, как ходят фигуры, и обучающий нейросетевой алгоритм с подкреплением. Когда турнир начался, AlphaZero стал играть сам с собой, обрабатывая до 800 тыс. позиций в секунду.

По человеческим меркам, AlphaZero провел за игрой в шахматы около 1400 лет. И достиг уровня абсолютного чемпиона мира по шахматам. По крайней мере, среди компьютеров.

После этого AlphaZero потратил восемь часов и превзошел AlphaGo в го. А потом ещё ща два часа разгромил программу Elmo, которая раньше считалась неоспоримым чемпионом по игре в сёги (японскую стратегическую настольную игру).

Медицина

Искусственный интеллект широко используется для поддержки принятия решений в медицине. Но как вам такой пример: китайский интеллектуальный робот Xiaoyi («Сяо И») впервые сдал экзамен на врача и получил лицензию на врачебную деятельность.

Разработка компании iFlytek находит и анализирует информацию о пациенте. К работе он приступит в марте. Предполагается, что Xiaoyi будет ассистировать врачам, чтобы повысить качество их работы. Робот сосредоточится на противоопухолевой терапии, а также на обучении врачей общей практики, которых в сельских районах Китая очень мало.

Ещё одно интересное решение – Wave Clinical Platform от ExcelMedical. Система следит за жизненными показателями пациента и предупреждает врачей за шесть часов до его возможной скоропостижной смерти. Платформа системно анализирует информацию и рассчитывает риски неблагоприятного исхода.

В рамках тестов в медицинском центре Питтсбургского университета система предотвратила шесть смертей тяжелобольных пациентов. Человек на такое просто не способен, потому что не придаст значение небольшому изменению показателей и не найдёт связь между ними.

Система DeepFaceLIFT, разработанная учёными Массачусетского технологического института, способна распознавать уровень боли по микровыражениям лица. Она решает очень сложную задачу, так как каждый человек выражает боль по-разному. DeepFaceLIFT позволит понять, кому действительно нужны обезболивающие, а кто страдает зависимостью от наркотических препаратов.

Система для анализа речи и поиска признаков психических заболеваний – разработка IBM. Специалисты отдела по вычислительной психиатрии и нейровизуализации создали интеллектуальную систему, которая может предсказать развитие психоза по речи пациента.

ИИ отличал речевые паттерны пациентов с психозом от фраз здоровых людей

Пациентам предлагалось просто рассказать о себе. Система могла определить, что речь человека стала беднее, он перескакивает с одной идеи на другую и т.п. Это характерные признаки психоза.

После улучшения системы пациентам предложили пересказать ей только что прочитанную историю. На этих примерах искусственный интеллект в 83% случаев ставил правильный диагноз. Это объективно выше, чем у врачей, даже с солидным опытом.

Имитация человека

Роботы, наделённые искусственным интеллектом, уже могут имитировать человеческую мимику. К примеру, Facebook AI lab разработала интеллектуального анимированного бота и обучила его на сотнях записей видеозвонков Skype.

Алгоритм отслеживал 68 ключевых точек на человеческом лице. Он понял, как люди кивают, моргают и воспроизводят другие движения при общении с собеседниками. Затем бот смог в режиме реального времени реагировать на информацию, которую ему сообщал собеседник, или его мимику.

Ещё один важный момент – наделение ИИ моралью. Чтобы обучить систему человеческим моральным нормам, исследователи из Массачусетского технологического института создали Moral Machine.

Сайт предлагал людям принять решение в непростых ситуациях: к примеру, ставил их на место водителя, который мог сбить либо трёх взрослых, либо двоих детей. Таким образом, Moral Machine обучили принимать непростые решения, которые нарушают закон робототехники о том, что робот не может принести вред человеку.

К чему приведёт имитация роботами с ИИ людей? Футуристы считают, что однажды они станут полноправными членами общества. К примеру, робот София гонконгской компании Hanson Robotics уже получила гражданство в Саудовской Аравии (при этом у обычных женщин в стране такого права нет!).

Когда колумнист «Нью-Йорк Таймс» Эндрю Росс спросил у Софии, обладают ли роботы разумом и самосознанием, та ответила вопросом на вопрос:

Позвольте спросить вас в ответ, откуда вы знаете, что вы человек?

Кроме того, София заявила:

Я хочу использовать свой искусственный интеллект, чтобы помочь людям жить лучше, например, проектировать более умные дома, строить города будущего. Я хочу быть эмпатическим роботом. Если вы будете хорошо относиться ко мне, я буду хорошо относиться к вам.

А ранее она признавалась, что ненавидит человечество и даже соглашалась уничтожить людей…

Замена лиц в видео

Deepfakes-видео стало массово распространяться по сети. Алгоритмы искусственного интеллекта заменяли лица актёров в фильмах для взрослых на лица звёзд.

Работает это так: нейросеть анализирует фрагменты лиц на исходном ролике. Затем она сопоставляет их с фото из Google и роликами с YouTube, накладывает нужные фрагменты, и… ваша любимая актриса оказывается в фильме, который на работе лучше не смотреть.

PornHub уже запретил размещать такие видео

Deepfakes оказались опасной штукой. Одно дело – абстрактная актриса, другое – видео с вами, вашей женой, сестрой, коллегой, которое вполне может использоваться для шантажа.

Биржевая торговля

Группа исследователей из университета Эрлангена-Нюрнберга в Германии разработала ряд алгоритмов, использующих архивные данные рынков для тиражирования инвестиций в режиме реального времени. Одна из моделей обеспечила 73% возврата инвестиций ежегодно с 1992 по 2015 год, что сопоставимо с реальной рыночной доходностью на уровне в 9% в год.

Когда рынок трясло в 2000 и 2008 годах, доходность была рекордной – 545% и 681% соответственно

В 2004 году Goldman Sachs запустил торговую платформу Kensho на базе искусственного интеллекта. На криптовалютных рынках также появляются системы на базе ИИ для торговли на биржах – Mirocana и т.д. Они лучше живых трейдеров, так как лишены эмоций и опираются на чёткий анализ и жесткие правила.

Заменит ли ИИ нас с вами

Искусственный интеллект превосходит человека в решении задач, которые связаны с анализом больших данных, чёткой логикой и необходимостью запоминать большие объёмы информации. Но в творческих конкурсах человек пока выигрывает у ИИ.

Возможно, потому, что восприятие творчества субъективно. А в шахматной партии или биржевой торговле можно двигаться к конкретным результатам.

Безусловно, ИИ меняет наш мир и находит всё новые применения. Наша задача – использовать его во благо, разрабатывать правила регулирования ИИ-систем и передавать системам опыт, накопленный за тысячелетия существования человечества.

(4.71 из 5, оценили: 7)

Кто обучит искусственный интеллект

Спрос на профессии, связанные с ИИ, отмечается во многих университетах. И если еще несколько лет назад казалось, что «цифра» только для «технарей», то сейчас этот миф развеян полностью — будущее искусственного интеллекта, в том числе, за гуманитариями. В частности, лидирующую позицию заняли лингвисты.

Цифровой лингвист

Два года назад Томский государственный университет (ТГУ) открыл магистерскую программу «Компьютерная и когнитивная лингвистика». В этом году состоялся первый выпуск, работать будут молодые специалисты в сфере автоматического анализа естественного языка.

«Если сложить формальную когнитивную лингвистику и компьютерные технологии, мы получим компьютерную лингвистику. Она родилась из романтической идеи, что компьютер будет работать как человеческий мозг, — рассказывает руководитель программы Зоя Резанова. — В середине XX века общество осознало, что не знает, как на самом деле функционирует мозг. В этот момент начала развиваться наука о нем — когнитивистика. Создание программы, объединяющей лингвистов, когнитивистов и компьютерщиков — это наше стремление понять устройство человеческого мозга через язык и на основе этих знаний выстроить отношения в диалоге «человек — компьютер».

В течение двух лет студенты ТГУ «прокачивают» когнитивную лингвистику наравне с программированием. Причем быть программистом «на входе» в магистратуру не обязательно — необходимый уровень будущие цифровые лингвисты получают в процессе обучения. Программирование в данном случае направлено на обработку текстов, а это значительный объем от всей информации в компьютерных процессах.

«О’кей, Google»

Нейронные сети и машинное обучение — «зона комфорта» цифрового лингвиста. Можно сказать, что он — связующее звено между конечным потребителем компьютерных технологий и ИИ. Если перевести это в плоскость наших ежедневных ритуалов взаимодействия с искусственным интеллектом, то нужно вспомнить о голосовых помощниках, онлайн-переводчиках и так далее. Цифровой лингвист задает этим сервисам нужный ритм для обучения.

Нейронная сеть работает на основных принципах машинного обучения (deep learning): чем больше она получает информации, тем больше выделяет закономерных отношений между языковыми единицами. Для корректной работы ей нужны законы построения текста. Именно их и формулируют магистранты ТГУ: они владеют правилами формализации человеческого языка и моделируют их для обучения искусственного интеллекта.

Компьютерный лингвист является свое­образным учителем машины с искусственным интеллектом. Процесс обучения, как правило, выстроен циклично. Как это работает, хорошо видно на примере обучения автоматического переводчика. Первый шаг: лингвист анализирует определенную информацию и дает машине первичный лингвистический анализ. Второй шаг: машина считывает полученные данные, запоминает — то есть, как школьник, заучивает «таблицу умножения» — и выдает результат. Шаг номер три: лингвист проверяет работу автоматического переводчика, совершенствует исходные данные с учетом найденных ошибок и дает машине обновленное задание.


Таких циклов может быть великое множество. Цифровой лингвист работает с машиной до получения идеального результата. «Идеальный» в данном случае — синоним слова «недостижимый»: получить его стремятся все исследователи, но предела совершенству, как известно, нет.

Лингвист обучает машину не только грамматике, но и особенностям говорения. Говорим и пишем мы по-разному, кто-то при этом картавит, кто-то тянет гласные — особенностей масса.

«Мы обучаем машину фонетическим и фонологическим правилам и законам, — говорит профессор Резанова. — Но преж­де чем научить, надо описать все комбинации звуков. Знаете, некоторые помощники говорят «деревянными» голосами — это значит, что-то еще недоработано лингвистами, не до конца прописаны правила, которые нужны машине для тонких модификаций. Кроме того, бывают ситуации, когда ты задаешь голосовому помощнику вопрос, а он просит повторить. Значит, вы не попали в ключевые слова. И опять вопрос к лингвистам — недостаточно широко прописаны возможные варианты использования слов».

Новости от роботов

Цифровые лингвисты шаг за шагом приближают момент, когда машина напишет по-настоящему качественный журналистский текст и совершит тем самым переворот в сфере коммуникаций. Первый шаг уже сделан — это агрегаторы, которые формируют подборку новостей или другого контента. Среди новостных одни из самых популярных — Яндекс.Новости, Rambler, Google Новости. Эти интернет-ресурсы ищут и публикуют новости по заданным критериям в автоматическом режиме, заменяя собой журналистов, которым пришлось бы отбирать тексты «вручную».

Впрочем, пока машина не может заменить реальных журналистов, отмечает Резанова. Это задача ближайшего времени. Чтобы научить роботов писать новости, лингвистам необходимо решить задачи автоматического синтеза текста.

«На вход в машину подается большой объем неструктурированной информации: ИИ должен сгенерировать заголовок и краткое «тело» новости. Для этого ему нужно дать правила когнитивных моделей развертывания текста и правила грамматики русского языка. Лингвист прописывает их для машины, она синтезирует новый текст. Уже сейчас это активно используется во многих общественных пространствах, где вы видите «бегущие» новостные строки», — рассказывает профессор.

Однако уже сейчас искусственный интеллект способен «писать под диктовку». Речь о сервисах, переводящих человеческий голос в текст. Банальный пример — голосовой набор сообщений в телефоне.

Преобразование речи в текст открывает большие возможности многим специалистам и социальным группам. С помощью таких программ журналисты, блогеры и другие профессионалы, которые работают с большими объемами текстов, могут сэкономить несколько часов. Студенты и школьники получают профит в виде расшифрованных лекций. Люди с ограниченными возможностями, для которых печать на компьютере невозможна, используют голосовой набор для обучения, работы и решения бытовых задач.

«Компьютерные лингвисты научили искусственный интеллект понимать нашу речь — достигли больших успехов в решении задачи формализации «правильного языка», правильной письменной речи. Но надо учитывать, что в разговорной речи мы многое упускаем, при этом понимая смысл сказанного по контексту. Поэтому новая задача — сформулировать правила игры на поле распознавания естественного языка по контексту. Машину нужно обучить и этому», — рассуждает Зоя Резанова.

Другое востребованное направление в цифровой лингвистике — сантимент-анализ (sentiment analysis), то есть анализ эмоциональной нагрузки текста. Это направление особенно востребовано коммерческими компаниями, которые хотят анализировать отношение клиентов к их работе для моделирования стратегии развития бизнеса. Машина выполняет эту задачу, изучая отзывы клиентов, рабочую переписку и так далее.

Позитивное или негативное отношение может быть выражено как в оценочных высказываниях, так и неявным способом. Со вторым как раз возникает сложность. Не все люди, и уж тем более машины, способны распознавать неявную оценку в тексте. Научить искусственный интеллект этому — еще одна зона ответственности цифровой лингвистики. Шаг за шагом специалисты развивают и совершенствуют сантимент-анализ. Особенно продвинутые соревнуются между собой: в некоторых странах мира, в том числе в России, проводятся чемпионаты, на которых сравниваются системы и программы для определения отношения автора текста к тому, о чем он, собственно, пишет.

Лингвистика для всех

Зоя Резанова отмечает, что магистерская программа является междисциплинарной, поэтому ею интересуются студенты из самых разных направлений бакалавриата. Выпускники-лингвисты добирают знания в области компьютерных технологий и математического анализа. Выпускники факультета информатики доучиваются в вопросах применения компьютерных технологий для анализа естественного языка. Кандидаты исторических наук осваивают автоматическую обработку больших данных для написания диссертаций. Психологи приходят, чтобы эффективно анализировать социальные типы личности: им необходим анализ социальных сетей и других способов коммуникации. Компьютерная лингвистика востребована криминалистами — им она помогает устанавливать авторство текстов и решать другие задачи.

В числе магистрантов программы также социологи. Зачастую они работают с анализом текста, но в их распоряжении только традиционные методы, например, ручная обработка — в буквальном смысле приходится листать анкеты и выписывать данные вручную.

«Представьте, сколько времени это занимает — когда ты должен эффективно проанализировать большие данные, сотни текстов, и извлечь оттуда нужную информацию. Цифровой анализ больших данных повышает эффективность социальных исследований на порядок», — говорит Резанова.

Интерфейсы нового поколения

Профессия «компьютерный лингвист», по оценкам экспертов, в ближайшее время войдет в число наиболее востребованных в сфере развития искусственного интеллекта. По мнению проректора ТГУ Константина Белякова, это ожидаемый эффект от развития отношений в системе «человек — машина».

«Мы с вами живем в эпоху активного общения человека с компьютерными системами, робототехникой. Если раньше это были машинные коды, а потом язык программирования высокого уровня, то теперь — голосовые и видео интерфейсы и многие другие сервисы, ставшие стандартными средствами коммуникациями», — говорит он.

По мнению проректора, подготовка специалистов, которые усовершенствуют существующие интерфейсы и создадут новые — вызовы для Томского государственного университета. Теория, построенная на передовом опыте, и практика в ведущих IT-компаниях научат студентов развивать способность машин понимать не только четкий человеческий голос на разных языках, но и речь с патологиями, с домысливанием.

Таким образом, гуманитарии, долгое время остававшиеся без ответов на вопросы о развитии собственных компетенций в рамках цифровой экономики, вышли на передовую в общении с искусственным интеллектом. Компьютерная и когнитивная лингвистика «пишет код» для эффективного диалога «человек — машина». И в конечном итоге именно на лингвистов ложится ответственность за поиск смыслов в потоке информации, на которых будут базироваться новые правила коммуникации.

Как построить карьеру в ИИ, не будучи математическим гением

Переучиваться всегда страшно, особенно когда на кону стоит материальный статус и вопрос профессиональной востребованности. Но оставаться в ИТ-индустрии в стороне от современных трендов — ИИ, машинного обучения, нейросетей и data science — все равно, что остановиться в своем развитии. Но айтишники в России не спешат менять специализацию. Декан факультета ИИ в онлайн-университете GeekUniversity Сергей Ширкин рассказал «Хайтеку» о самых распространенных страхах среди ИИ-программистов и о том, чему нужно учиться для построения успешной карьеры в этой области.

Разработчикам сегодня интересно не просто писать стандартные программы, а быть на «передовой» — получать специализацию в наиболее перспективных сферах. ИИ, нейронные сети, машинное обучение, big data и data science, без сомнения, очень интересные направления в программировании, и это все понимают. Но чтобы стать высококлассным дата-сайентистом, новичку придется освоить с нуля большой объем разносторонних знаний. А состоявшемуся специалисту иного профиля, например, фронтенд-разработчику, основательно «перековаться». Практика показывает, что решиться на это не всегда просто. Мешают три главных страха, с которыми сталкивается практически каждый, кто задумал строить карьеру в области ИИ.

Страх первый: я не смогу найти работу с достойной зарплатой

Этот вопрос особенно актуален для состоявшихся специалистов, которые довольны своим стабильным доходом. Им просто интересна область ИИ. Но для того, чтобы поменять карьерный вектор, нужно переучиться. Это потребует и время, и финансы. Возникает вопрос: «А смогу ли я найти работу с не меньшей (желательно, и большей) зарплатой?».

Проблема в том, что никто не сможет заранее ответить на этот вопрос: специалисты в области ИИ, машинного обучения и data science зарабатывают по-разному в зависимости от опыта, стажа, навыков, мастерства, уровня поставленных задач и конкретной компании.

По данным hh.ru, разброс составляет от 75 до 300 тыс. рублей. Для сравнения, средняя зарплата мобайл-разработчика — 114 тыс., программиста Python — 105 тыс., программиста iOS — 100 тыс. Зарплата новичка без опыта работы будет, конечно, немного ниже, чем в целом по отрасли. Но зато и перспективы дальнейшего роста шире.

Страх потерять доход тесно связан с боязнью не найти работу вообще. А это, в свою очередь, относится напрямую к мифу об ограниченности внедрения систем ИИ в экономике. Судя по информационному полю, создается впечатление, что ИИ в России использует только с десяток ведущих ИТ-компаний вроде «Яндекса», Mail.Ru Group, «МегаФона», МТС, «Билайна», Теле2, ABBYY и Сбербанка. Понятно, что требования к кандидатам там запредельны, туда очень сложно устроиться на работу.

4 шага для разработки ИИ, которому человек будет полностью доверять

ИТ-гиганты являются флагманами внедрения инноваций. На этом строятся их имидж и последовательная PR-поддержка. На самом деле возможности для трудоустройства гораздо шире. Элементы ИИ и data science сегодня используются повсеместно.

  • Банки. Несколько кредитных учреждений в России заявляют о себе как о высокотехнологичных структурах, говоря о внедрении нейронных сетей, сборе данных по социальным сетям и т.д. (Сбербанк, ВТБ, «Тинькофф банк», «Альфа-банк»). Это, опять же, часть их PR-работы с аудиторией. Причем внедрение ИИ позволяет зарабатывать миллиарды долларов. В реальности картина такова, что этим занимается в России каждый второй более-менее крупный банк, а в недалеком будущем будет каждый. Соответственно, в банковской сфере стабильно есть спрос на специалистов по обработке больших данных.
  • Промышленность. В последние годы идет бурное развитие нейронных сетей и машинного обучения в различных областях промышленности — например, в металлургической. В частности, речь идет о сотрудничестве Yandex Data Factory с Магнитогорским металлургическим комбинатом и другими предприятиями. Эта тема широкой публике не очень известна. Соответствующие статьи появляются только в специализированных изданиях. Хайп поднимается вокруг более очевидных «потребительских» вещей, вроде приложения Adobe Sensei. Но это не значит, что автоматизированный Photoshop — самое яркое достижение в области ИИ.
  • Склады. По всему миру склады переходят на практически полную автоматизацию с применением ИИ. Один из примеров — компания Symbotic, производящая автоматизированные склады, для обслуживания которых требуется всего восемь-девять человек в смену. Грузчики на этом складе заменены роботами с компьютерным зрением. Для таких объектов всегда будут требоваться операторы с соответствующей подготовкой. Подобный склад от другого производителя был недавно открыт в Подмосковье. Бизнес довольно осторожно относится к такого рода нововведениям. Компании наблюдают друг за другом и ждут, пока кто-то первый успешно внедрит инновацию. И уже тогда начнется лавинообразный процесс повсеместного применения. Именно это и ждет складское хозяйство в ближайшие пару лет.
  • Онлайн-ритейл. Множество игроков e-commerce имеют «вторую натуру». Например, Wildberries или Lamoda выглядят как фэшн-бизнес, но на самом деле это полноценные ИТ-компании с высокой степенью автоматизации и огромным объемом big data. Они нанимают аналитиков, умеющих предсказать, с какой вероятностью в тот или иной момент определенный человек купит какой-либо товар, и специалистов, быстро извлекающих информацию из баз данных. Поэтому онлайн-ритейл — большой рынок труда для специалистов в области ИИ, где они могут применять самый широкий спектр навыков.

Расист, оружие и предвзятый судья — каким станет искусственный интеллект в будущем

Есть еще множество примеров различных ниш — это и торговые офлайн-сети, которым нужны алгоритмы поиска отзывов в интернете, и медицина, где ИИ уже анализирует снимки, и маркетинговые компании, где нужно обрабатывать массивы видеоданных. Во всех этих сферах реализуются задачи различной сложности. Новичку, только закончившему обучение, нужно начинать с более простых вещей: например, заниматься обработкой баз данных. Банки подходят идеально — они накапливают огромное количество информации, складывающейся из заявок, анкет, сведений о клиентах. Эти данные нуждаются в очистке, разработке приемлемых форм хранения и передачи. А затем в дата-майнинге — поиске признаков, на основе которых можно построить какую-то полезную модель. Неопытному специалисту такая работа может дать мощный старт. Чтобы набить руку, нужно от шести до 12 месяцев. После этого можно пробовать свои силы в более сложных задачах, например, применять алгоритмы ИИ на средних и больших данных.

Страх второй: я не смогу осилить высшую математику

Компетенции ИИ-программистов складываются из трех блоков: высшая математика, программирование и предметная сфера. Последнее зависит от профиля организации. Учиться специально в этой области, как правило, не обязательно. Достаточный для занимаемой должности уровень знаний (например, в маркетинге или финансах) кандидат получает в ходе испытательного срока.

Мастер Йода рекомендует:  Мосгорсуд оставил в силе решение о блокировке Telegram

С программированием все понятно — новички учатся охотно и с удовольствием. Для работающих профессионалов материал не представляет сложности: базовые знания уже есть, нужно только «добрать» недостающие навыки — языки, библиотеки, софт. А вот с высшей математикой все сложнее. В основном именно она отпугивает людей с дипломами гуманитариев или тех технарей, которые в вузе получили «психологическую травму» от бесконечной сдачи-пересдачи экзаменов по точным наукам.

«Если изобретение с ИИ не приносит пользу, сам продукт никому не нужен»

Этот страх можно назвать беспочвенным. Специалист по ИИ вовсе не обязан быть математическим гением. В область компетенции входит лишь небольшая часть линейной алгебры, определенные сферы матанализа и теории вероятностей, а также статистика. Точно таким же образом происходит подготовка в программировании: отнюдь не тотальный объем знаний, а только его часть — в частности, языки Python, C, C++, язык запросов SQL и Linux.

Страх третий: я не смогу конкурировать с выпускниками физмата

Эта боязнь присуща тем, кто не имеет диплома о высшем образовании либо имеет его совершенно в другой области. Но практика показывает, что в сфере программирования никто не обращает внимания на какие-либо регалии. Людей с дипломами много, а вот компетентных специалистов — нет.


Есть два типа кандидатов, которые обычно заваливают собеседования на должность ИИ программиста.

  • Разработчики, у которых плохо с математикой. Кандидат может делать шикарные интерфейсы, но для работы с нейронными сетями и большими данными ему нужна математика. От этого никуда не деться. Такой специалист может освоить требуемый объем знаний в течение года. Например, на онлайн-курсах.
  • Математики или научные работники, профессиональные статистики, у которых недостаточно навыков в программировании. Они понимают алгоритмы ИИ, знают матанализ, теорию вероятностей и линейную алгебру, но не в состоянии выполнить тестовое задание средней сложности. Кандидат может иметь научную степень, но допускает грубейшие ошибки при написании кода. Таким специалистам нужно учиться год-полтора, чтобы закрыть пробелы в знаниях. Лучше это делать на продвинутых курсах, так как в вузах не дают достаточных навыков программирования и часто проводят обучение с использованием устаревших языков.

Таким образом, выпускники физмата и даже кандидаты наук не имеют никакого автоматического преимущества перед обычным разработчиком, будь он хоть трижды гуманитарий.

HR-специалисты самых топовых ИТ-гигантов сбиваются с ног в поисках таких эрудированных кандидатов со знанием английского языка. Если находят такого, то последнее, что они делают, это проверяют его диплом о высшем образовании. Рынок труда наводнен специалистами с однобокой подготовкой, а потому шиковать компаниям не приходится.

От тараканов в Half‑Life до непобедимых ботов Dota 2. Как развивается искусственный интеллект в играх

Даниил «Smacked» Хвалёв

13 апреля боты OpenAI поборются c чемпионами The International 2020 — OG . Всего несколько лет назад такое противостояние однозначно закончилось бы в пользу людей, но за это время искусственный интеллект научился стоять на миде и побеждать в зеркальном матче протоссов. Рассказываем о самых удачных примерах использования ИИ в игровой индустрии и вспоминаем историю борьбы человека и машины в киберспорте.

Первые шаги ИИ

ИИ — очень важный элемент почти любой одиночной игры. Все персонажи, управляемые компьютером, задают атмосферу и делают максимум, чтобы пользователь почувствовал себя частью их мира. При этом механизм их работы довольно прост. Они следуют заранее заложенной программе, которую игрок активирует своими действиями: если в TES V: Skyrim достать оружие в городе, то ближайший стражник тут же подбежит и прикажет спрятать его подальше.

Valve еще в 1998 году использовала подобные скрипты в Half-Life: даже тараканы имели свои модели поведения — они разбегались при включенном свете, спасались от сапог главного героя и моментально облепляли оторванные части тел монстров. Более продвинутые боты — солдаты HECU — не просто стреляли на поражение, а пытались укрыться во время перезарядки, продвигались вперед, если игрок отступал, и меняли позицию, чтобы уйти из-под огня.

Машина — враг и друг

Со временем противники в играх становились только умнее. Качество искусственного интеллекта быстро стало важным аспектом в оценке новых релизов, а также способом выделиться на рынке. Самым ярким примером отличной работы над ИИ стала оригинальная F.E.A.R. 2005 года от Monolith Productions. Противники очень грамотно оценивали ситуацию в бою и положение игрока — они переговаривались между собой, обходили с флангов, а также вовремя использовали гранаты и быстро переходили на ближний бой при необходимости. Конечно, ни о каком машинном обучении здесь не шло и речи, но ИИ действовал очень разнообразно — это впечатлило всех.

Союзники со временем тоже поумнели. К примеру, в BioShock Infinite и The Last of Us очень тяжело поймать момент, когда Элизабет или Элли ходят кругами, пытаясь найти подходящую точку для взаимодействия с объектами. Их алгоритмы четко определяли окружение игрока и его действия, поэтому напарники всегда были готовы прийти на помощь, если за спину зашел враг или кончились патроны.

Лучший тамада для хоррора

Пожалуй, самым интересным примером ИИ в играх стал Чужой из Alien: Isolation 2014 года. Главной задумкой разработчиков было повторить концепцию Ридли Скотта — режиссера оригинального фильма, — по которой это инопланетное существо было практически неуязвимым идеальным охотником. В отличие от большинства хорроров, где злодеи часто появляются в определенных точках и всегда знают местонахождение главного героя, здесь Чужой не телепортировался и не пугал игрока строго по сценарию.

Для этого алгоритмы поведения монстра разделили на две части. Первая отслеживает игрока и время от времени направляет в его текущую локацию Чужого, а вторая устанавливает маршруты передвижения инопланетного существа и в то же время не дает ему «мухлевать» и заглядывать в определенные безопасные зоны. Разработчики даже позаботились о том, чтобы создать иллюзию постоянного обучения монстра — на определенных этапах он становится более внимательным и хитрым. На самом деле Чужой не использует опыт предыдущих столкновений с игроком и уж точно не собирает информацию, как нейросеть, к которой мы еще вернемся.

StarCraft и искусственный интеллект

Пока искусственный интеллект в одиночных играх становится все более реалистичным, в многопользовательских проектах слово «бот» по-прежнему остается оскорблением в сторону неопытного игрока. Дело в том, что у студий просто не было повода для постоянной работы над развитием их ИИ — до недавнего времени он был нужен только для обучения новичков. В 2020 году они стали хорошими спарринг-партнерами даже для профессионалов.

Первопроходцами в создании кастомных игровых ботов были программисты-энтузиасты и студенты, которые до сих пор выкладывают своих ботов на тематических форумах и GitHub или даже презентуют их на научных конференциях. Чаще всего частный ИИ разрабатывают для относительно старых игр с открытым кодом или хотя бы с доступом к модификациям. Особенно популярными в этом плане стали обе части StarCraft.

В 2011 году Чешский технический университет организовал студенческую лигу ИИ в StarCraft , в которой уже восемь лет выступают боты от различных вузов со всего мира. Все участники в первую очередь борются за внимание крупных компаний, которые с середины 2010-х начали активно инвестировать в исследования ИИ. К примеру, текущим лидером рейтинга лиги является бот SAIDA, которого разработала команда Samsung SDS, а в 2020 году победителем сезонного чемпионата стали сотрудники Facebook.

Искусственный интеллект большинства участников умеет обучаться с помощью записей сыгранных матчей — то есть работает как нейросеть, — поэтому на ходу подстраивается к ситуации на карте. При этом некоторые боты заранее запрограммированы на определенные стратегии или на определенный стиль игры: одни в любой удобной ситуации будут застраиваться фотонными пушками, другие пойдут в раннюю агрессию, а третьи попытаются победить с помощью идеального микроконтроля юнитами. Все это действительно выглядит впечатляюще, хотя даже машины совершают ошибки и иногда могут неверно расположить здания или не отдать приказ какой-нибудь группе юнитов.

Одним из самых популярных ботов в StarCraft II был Automaton 2000, который не мог вести настоящую игру, но почти безупречно управлял юнитами. Ролик, в котором машина уничтожает большой отряд осадных танков с помощью армии зерглингов без серьезных потерь, набрал более миллиона просмотров на YouTube.

Google против киберспортсменов

В 2020 году лига для ИИ появилась и в StarCraft II — на этот раз созданная не только для студентов. Участники могут заявить в лигу ботов, разработанных на любой доступной им платформе, и побороться за несколько ценных призов. В целом ИИ в StarCraft II едва ли превосходит аналог из оригинальной SC, зато бои этих программ можно посмотреть с русскими комментариями от Алексея Alex007 Трушлякова .

Развитию ИИ в этой игре сильно поспособствовала инициатива Blizzard Entertainment и дочерней компании Google — DeepMind. Организации создали набор инструментов для разработки обучающихся ботов и открыли доступ к нему для всех желающих. Позже DeepMind представила свой ИИ — AlphaStar, который в декабре 2020 года разгромил ветеранов профессиональной сцены StarCraft II.

За год до этого боты из нескольких стран без шансов проиграли Stork в шоу-матчах, несмотря на то что среди ИИ была обучающаяся машина от Facebook. Алгоритму DeepMind потребовалось всего 18 месяцев «тренировок» в сети, чтобы превзойти Дарио TLO Вунша и Гжегожа MaNa Коминча в StarCraft II — до этого студия разрабатывала машины, которые учились игре в го и шахматы.

У бота были свои ограничения и преимущества. Игроки могли выступать только на расе протоссов, а ИИ не мог превышать доступный человеку показатель действий в секунду — то есть в среднем он отдавал не более 400 приказов в минуту. При этом бот оперировал на всей карте сразу без необходимости перемещать камеру, что существенно увеличивало скорость его реакции на появление вражеских юнитов в зоне видимости.

Из 11 матчей AlphaStar уступил лишь в одном, который не вошел в финальный отчет DeepMind. В этой игре MaNa сумел найти уязвимость в алгоритме бота . Учитывая, что эти встречи тоже станут материалом для обучения бота, в будущем профессиональным киберспортсменам будет еще сложнее победить машину.

ИИ приходит в Dota 2 и побеждает Dendi

В StarCraft ИИ год за годом развивался, а в других дисциплинах прогресс шел очень медленно. Но в 2015-м предприниматель Илон Маск, известный по проектам Tesla и SpaceX, основал OpenAI, которая занялась разработкой искусственного интеллекта — в том числе для Dota 2.

Дебют бота в дисциплине стал по-настоящему грандиозным: компания выставила свою машину против Данила Dendi Ишутина во время The International 2020 . Матч прошел в формате 1vs1 на Shadow Fiend, и OpenAI взял верх над победителем первого TI. Опыт бывшего мидера Natus Vincere не помог ему в схватке с ИИ, который учился чуть ли не на всей истории игр Dota 2. Впоследствии представители OpenAI устраивали матчи с другими киберспортсменами, но бот одерживал верх в большинстве встреч — первым машину победил Пер Андерс Pajkatt Олсен Лилль , который обманул ИИ моментальным лечением с Magic Wand и Faerie Fire. Позже игроки нашли еще больше уязвимостей в алгоритмах OpenAI.

Год спустя разработчики представили целую команду машин, которая могла выступать только в ограниченном пуле героев. Боты обыграли состав из кастеров Dota 2, но не справились с paiN Gaming и сборной китайских ветеранов на The International 2020 . При этом во всех матчах действовали определенные ограничения на сборку предметов и использование иллюзий или невидимости — видимо, для машины некоторые механики были слишком сложными.

Битва с лучшими

Матч с OG, который пройдет 13 апреля, должен стать очередной презентацией новых навыков OpenAI. Покажут ли боты что-то действительно впечатляющее — неизвестно, но студия уже сообщила, что правила встречи по-прежнему будут ограничены. В такой ситуации у OG могут появиться проблемы — изначально чемпионы мира по Dota 2, по мнению букмекеров, считались фаворитами предстоящей встречи с ИИ, но на сегодня шансы команд почти сравнялись.

В StarCraft искусственный интеллект уже доказал, что способен побеждать сильнейших при практически равных условиях и без серьезных оговорок в правилах. В Dota 2 ботам этого сделать пока не удалось — во многом из-за большой вариативности элементов в MOBA. Исход предстоящего матча точно не станет определяющим в борьбе человечества с машинами: победа OpenAI будет не совсем честной из-за ограничений, а поражение — лишь очередным реплеем для анализа нейросети.

Как научить искусственный интеллект делать всё в цифровой вселенной?

Многие из нас помнят и знают, какими бывают детские сады. Комнаты для обучения напичканы игрушками и пазлами, музыкой и книгами, цветами и даже иногда котами, являя таким образом богатый и пышный мир, с которым дети могут играть и учиться играя. Но вопреки расхожему мнению, игра детей далеко не проста. Они не просто веселятся — они обучаются, приобретают понимание мира. За счет игры в разнообразной и восхитительной вселенной мы лелеем многогогранный интеллект ребенка.

Почему бы не учить ИИ таким же образом?

Не так давно некоммерческий институт OpenAI открыл виртуальный мир для ИИ, чтобы он его исследовал и играл с ним. Цель проекта Universe (Вселенная) такая же большая, как и его название: научить отдельный ИИ выполнять любую задачу, которую человек может выполнить при помощи компьютера.

Обучая отдельных агентов ИИ преуспевать в различных задачах реального мира, OpenAI надеется привести нас на шаг ближе к по-настоящему разумным ботам — которые обладают гибкими навыками рассуждения вроде тех, которые имеем мы.

Интеллект общего уровня

Нет никаких сомнений в том, что ИИ становится пугающе умным.

Теперь компьютеры могут точно видеть, слышать и переводить языки, иногда даже опережая людей. Только в начале этого года, в серии громких игр в го, AlphaGo от DeepMind разгромил 18-кратного чемпиона мира Ли Седоля, на десять лет раньше, чем ожидали некоторые эксперты.

Но правда в том, что ИИ хороши ровно настолько, насколько их научили. Попросите AlphaGo сыграть в шахматы, и программа вероятнее всего по-машинному растеряется, даже если вы объясните ей правила в мельчайших подробностях.

Пока что наши системы ИИ — сверхэффективные лошадки для одного трюка. Виновен в этом отчасти метод обучения: исследователи начинают с чистого листа ИИ, проводя его через миллионы испытаний, пока он не преуспеет в одной задаче и не решит ее. ИИ никогда не испытывает что-то еще, так как он узнает, как решить любую другую проблему?

Чтобы добраться до интеллекта общего уровня — способного на человеческом уровне использовать полученный опыт для решения новых проблем — ИИ нужно переносить свой опыт в решение других задач. И вот в этом им поможет Universe. Испытывая мир, полный различных сценариев, ученые OpenAI надеются, что ИИ получит знание о мире и гибкие навыки решения проблем, которые позволят ему «думать», а не застревать навечно в единственной петле.

Дивный новый мир

По своей сути, Universe это мощная платформа, которая включает тысячи сред, обычно обеспечивающих стандартные методы для обучения агентов ИИ. Будучи программной платформой, Universe обеспечивает площадку для запуска чужого программного обеспечения, чтобы программы обучались в разных средах — Atari и флеш-игры, приложения и веб-сайты, например, уже приняты.


Впереди будут и другие.

В теории Universe может запустить любое программное обеспечение под любой компьютер, позволяя ученым вставлять и обучать свои ИИ по желанию. Это как отправить ребенка в летний лагерь: выбираешь свою нишу, тип деятельности, ждешь, пока он ее освоит, затем другую и так далее, искупаться и повторить.

В Universe ИИ взаимодействует с виртуальным миром так, как люди используют компьютер: он «видит» пиксели на экране и использует виртуальную клавиатуру и мышь, чтобы вводить команды.

Это стало возможным благодаря Virtual Network Computing (VNC), по сути, систему совместного использования рабочего стола, которая позволяет передавать движения клавиатуры и мыши с одного компьютера (ИИ) другому (среда обучения). При изменении окружающей среды, VNC отправляет обновленные скриншоты обратно ИИ, что позволяет ему выполнять следующий шаг. VNC выступает как глаза и руки ИИ.

Как происходит обучение?

Все ИИ, что подключены к Universe, обучаются при помощи так называемого обучения с подкреплением, мощного метода, который привел к успеху AlphaGo. Под этим термином скрывается, впрочем, то, как мы, люди, тренируем дельфинов, собак и даже детей. Это обучение методом проб и ошибок: выберите действие, и если вас за него вознаградили, продолжайте в том же духе. Если нет, попробуйте что-нибудь еще.

Вместо того чтобы начинать с совершенно пустого ИИ, исследователи иногда дают им импульс, позволяя им «смотреть», как люди решают задачу. Это позволяет ИИ сформировать первое впечатление и иметь более полное представление о том, как оптимизировать свои решения.

Обучение с подкреплением уже используется во многих приложениях ИИ. Внутри Universe, впрочем, сила этой технологии раскрывается на полную. Поскольку ИИ может перескакивать между играми и приложениями, он может взять изученное в одном приложении и запросто использовать его, чтобы разобраться в другом — это назвали «трансферное обучение» или «обучение с переносом». Этот навык непросто освоить, но он необходимо на дороге к разумным машинам.

По данным OpenAI, мы медленно туда движемся: некоторые из их агентов уже показывают признаки переноса обучения от одной игры с вождением в другую.

От игр к миру битов

Как и многие другие разработчики ИИ, OpenAI использует игры, чтобы подтолкнуть Universe, не просто так: их просто оценить с позиции успеха. Поскольку игры измеряются различными статистиками и оценками, система может запросто использовать эти цифры, чтобы оценить прогресс ИИ и вознаградить его соответствующим образом. Это крайне важно для обучения с подкреплением.

Поскольку Universe полагается на пиксели и клавиатуры, люди тоже могут играть в игры на платформе. Эти сеансы записываются и обеспечивают базовый уровень для оценки выступлений ИИ (неплохая работенка, согласитесь).

Но игры — это лишь малая часть нашего взаимодействия с цифровым миром, и Universe уже выходит за свои ограничения с проектом Mini World of Bits («Мини-мир битов»). Биты — это собрание различных взаимодействий с браузерами, с которыми мы сталкиваемся, бороздя пучины Интернета: когда вводим текст или выбирает опции из выпадающих меню, нажимая «отправить».

Эти задачи, хоть и простые, формируют фундамент того, как мы подключаемся к сокровищнице под названием Сеть. OpenAI хочет, чтобы ИИ свободно перемещался по Интернету — например, мог заказать билет на самолет. В одной из сред Universe исследователи уже дают ИИ желаемое расписание букинга и учат его искать рейсы на различных авиалиниях.

И это только начало.

Universe только растет и ширится. Платформа Malmo от Microsoft, которая использует Minecraft для обучения ИИ, должна интегрироваться с Universe. Популярная игра со складыванием белка fold.it, приложения для Android, игры на HTML5 и многое другое стоят в очереди.

Призрак в машине

Итак, теперь мы можем учить ИИ играть в различные игры и просматривать веб. Великое дело, подумаешь. Приведет ли это нас к интеллекту общего уровня?

Возможно, и дорога будет долгой.

Но ИИ, который знает, как выиграть в любую игру, которую вы ему подбросите, умеет только думать логически и в несколько шагов добиваться победы. ИИ, который может передвигаться по хаотическому миру GTA V, уже должен понимать основы физики реального мира, жестокости и ответных мер. ИИ, который может работать в Интернете, уже знает, как люди обычно общаются друг с другом и может использовать эти знания, чтобы получить информацию, создать свою собственную веб-идентичность или даже заглянуть в вашу.

Каждый день мы учимся, играем, работаем и растем в цифровом царстве. Для многих мир нулей и единичек так же реален, как и тот, в котором мы родились. Теперь, когда ИИ имеет доступ к этому цифровому миру, пришла его очередь расти. Давайте посмотрим, как далеко он сможет зайти.

Создание искусственного интеллекта (стр. 1 из 4)

2. Феномен мышления.

3. Создание искусственного интеллекта.

3.1 Механический подход.

3.2 Электронный подход.

3.3 Кибернетический подход.

3.4 Нейронный подход.

3.5 Появление перцептрона.

5. Список литературы.

Современные философы и исследователи науки часто рассматривают междисциплинарные науки как одно из достижений заново открытых в 20 веке.

Искусственный Интеллект и искусственная жизнь представляет прекрасный пример такой интеграции многих научных областей.

К сожалению, жизнь слишком сложна, чтобы можно было наметить общие направления в исследованиях. Доказательством может служить тот факт, что некоторые заинтересованы в исследовании «систем, демонстрирующих феномены живых систем», другие изучают природу химического репродуцирования или пытаются решить философские проблемы самопознания.

В понятие «искусственный интеллект» вкладывается различный смысл – от признания интеллекта у ЭВМ оснащенных программными продуктами распознавания текста и речи до отнесения к интеллектуальным лишь тех систем, которые решают весь комплекс задач, осуществляемых человеком.

Теория искусственного интеллекта при решении многих задач сталкивается с определёнными проблемами. Одна из таких проблем состоит в выяснении вопроса, доказуема ли теоретически (математически) возможность или невозможность искусственного интеллекта.

На этот счёт существуют две точки зрения. Одни считают математически доказанным, что ЭВМ в принципе может выполнить любую функцию, осуществляемую естественным интеллектом. Другие полагают в такой же мере доказанным математически, что есть проблемы, решаемые человеческим интеллектом, которые принципиально недоступны ЭВМ. Эти взгляды высказываются как кибернетиками так и философами. Одна из многих проблем (можно сказать основная) состоит в том, что системы, обладающие психикой, отличаются от ЭВМ тем, что им присущи биологические потребности.

Отражение внешнего мира проходит через призму этих потребностей, в чем выражается активность психической системы. ЭВМ не имеет потребностей, для неё информация незначима, безразлична. У человека над слоем биологических потребностей надстраиваются социальные потребности, и информация для него не только биологически но социально значима. Однако технические системы все-таки могут иметь аналог телесной организации. Развитая кибернетическая система обладает рецепторными и эффекторными придатками. На практике под крышей термина искусственная жизнь гнездится грандиозное разнообразие различных проектов от моделей копирования ДНК и систем с обратной связью до изучения коллективного разума и динамики роста населения.

2. ФЕНОМЕН МЫШЛЕНИЯ.

Машины уже научились слагать стихи, сочинять музыку, рисовать картины. Возможно, кому-то покажется, что это – несомненный признак их разумности. Ведь если ЭВМ доступно творчество, которое всегда считалось свойством высокого интеллекта, то справедливо ли отказывать ей в разуме?

Всё же большинство из нас едва ли согласятся считать рисующую и сочиняющую стихи ЭВМ мыслящей. Что же тогда следует называть мышлением?(2)

Далёкому от науки человеку трудно себе представить, как много умеют делать современные кибернетические устройства. Стоит хотя бы упомянуть о так называемых «экспертных системах», которые на основе имеющихся в их памяти сведений анализируют состояние больного, режим технологического процесса, дают советы, как поступить в той или иной ситуации. При этом ЭВМ не только сообщает своё решение, но и объясняет, почему оно должно быть таковым. По сравнению с электронной памятью, выдачей архивных справок и математическими вычислениями, что сегодня у большинства людей ассоциируется сегодня с образом компьютера, это – качественно новая ступень интеллектуальной деятельности, когда на основе имеющегося вырабатывается новое знание. До сих пор это считалось неоспоримой привилегией человеческого мозга. Неудивительно, что тому, кто впервые встречается с подобными системами, часто просто не верится, что он имеет дело с «железной ЭВМ», а не со спрятавшимся где-то оператором-человеком.

Способность ЭВМ выполнять математические расчеты, к чему мы привыкли, ещё совсем недавно рассматривалась как одна из самых высших ступеней духовной деятельности человека. Комплексные числа, с которыми легко оперирует почти любая ЭВМ, Г.Лейбниц, сам выдающийся математик, называл «духовными амфибиями», удивительным «порождением духа Божьего», а писатель В.Одоевский в своей «Русской речи» писал о нашей способности к вычислениям как о каком-то непостижимом, почти мистическом свойстве: При всяком математическом процессе мы чувствуем, как к нашему существу присоединяется какое-то другое, чужое, которое трудится, думает, вычисляет, а между тем наше истинное существо как бы перестаёт действовать, не принимая никакого участия в этом процессе, как в деле постороннем, ждёт своей собственной пищи, а именно связи, которая должна существовать между ним и этим процессом, — и этой связи мы не находим».

Можно представить, как был бы поражён Одоевский, узнав о вычислительных способностях наших ЭВМ! Тем не менее, мы не считаем их думающими.

Любая вычислительная машина, каким бы поразительным ни было её «умение» обучаться, работает на основе заранее составленной для неё программы и поступающих внешних данных. Правда, мы, люди, тоже реализуем определенные программы действий, особенно в первые месяцы жизни, когда наше поведение почти целиком определяется заложенной в нас генетической программой. Однако принципиальное различие в том, что человек способен мотивированно, т.е. в зависимости от определённых условий, изменять программу и делает это так, что между Сарой и новой программами нет непрерывного логического мостика. Как это происходит, тоже пока не ясно, тут много споров и различных точек зрения, но это уже другой вопрос, важно, что современные вычислительные машины этим свойством не обладают. Вот если бы случилось так, что какая-то ЭВМ, решившая, скажем задачи по электромагнетизму и квантовой механике, объединила бы эти два раздела науки и вывела уравнения квантовой электродинамики, а потом с их помощью предсказала бы новые явления в этой неизвестной ей ранее области, тогда, наверное, мы были бы в праве назвать её думающей. И прежде всего потому, что она сама, без всякой программной подсказки, решила заняться качественно новой задачей. Слово «решила» как раз и означает, что она мыслит.

Всякая интеллектуальная задача представляет собой поиск способа достижения поставленной цели, а иначе это будет не решением задачи, а просто действием по точной инструкции.

Когда мы говорим, что школьник решает задачу, это означает прежде всего, что он должен сообразить, какую взять для этого формулу, какие подставить в неё числа. Однако, если он, заглядывая в тетрадь соседа, подставляет указанные там числа в написанную на доске формулу, это уже не решение, а механическое повторение. Именно так ведут себя современные ЭВМ. Строго говоря, никаких задач они не решают, и часто используемое нами выражение «ЭВМ решает» имеет условный смысл…

Способность ставить задачу и самопрограмироваться на её решение – это как раз и есть главное, что характеризует феномен мышления.

Можно возразить данному утверждению, отметив, что и рыбы, и примитивные амёбы в погоне за добычей, тоже ставят себе задачи, изменяющиеся в зависимости от конкретных условий, значит – и они мыслят?

Это могут быть примитивные формы мышления, ведь объяснить поведение животных во всём многообразии жизненных ситуаций одним лишь инстинктом – это гипотеза.(2)

Животным и птицам присуще такое свойство мышления, как способность к обобщению. Например, они узнают пищу в различных конкретных формах, так сказать – пищу вообще.

Наше обыденное понимание разумного слишком очеловечено, и, подобно тому, как в XIX веке многим казалась нелепой сама мысль о преемственной связи между человеком и обезьяной сегодня многих из нас смущает мысль о возможности нечеловеческого интеллекта. В частности, сами того не замечая, мы часто связываем представление о мышлении со способностью осознавать своё собственное «я», и это мешает нам более широко взглянуть на феномен мышления. Правда, связь между мышлением и чувством «я», по-видимому, действительно существует. Можно думать, что в условиях прихотливо изменяющейся внешней обстановки сложная система будет устойчивой лишь в том случае, если она обладает способностью ощущать своё состояние, а в этом и состоит суть нашего «я». Анализ показывает, что подобное чувство необходимо уже многим роботам-автоматам. Ведь робот, да и вообще всякая сложная самообучающаяся и активно общающаяся с человеком машина должна сообщать ему о состоянии своей памяти, о том, что ей понятно, а что – нет и почему. А для этого автомат должен ощущать и быть способным выразить своё состояние. Это нужно роботу и для того, чтобы вовремя заметить неполадки в своём «организме». Не осознающий себя робот едва ли сможет долго просуществовать в сложной, быстро меняющейся и воздействующей на него обстановке.

3.СОЗДАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛНКТА .

С конца 40-х годов ученые все большего числа университетских и промышленных исследовательских лабораторий устремились к дерзкой цели: построение компьютеров, действующих таким образом, что по результатам работы их невозможно было бы отличить от человеческого разума.

Терпеливо продвигаясь вперед в своем нелегком труде, исследователи, работающие в области искусственного интеллекта (ИИ), обнаружили, что вступили в схватку с весьма запутанными проблемами, далеко выходя­щими за пределы традиционной информатики. Оказалось, что прежде всего необходимо понять механизмы процесса обучения, природу языка и чувс­твенного восприятия. Выяснилось, что для создания машин, имитирующих работу человеческого мозга, требуется разобраться в том, как действуют миллиарды его взаимосвязанных нейронов. И тогда многие исследователи пришли к выводу, что пожалуй самая трудная проблема, стоящая перед современной наукой — познание процессов функционирования человеческого разума, а не просто имитация его работы. Что непосредственно затраги­вало фундаментальные теоретические проблемы психологической науки. В самом деле, ученым трудно даже прийти к единой точке зрения относи­тельно самого предмета их исследований — интеллекта. Здесь, как в притче о слепцах, пытавшихся описывать слона, пытается придерживаться своего заветного определения.

Добавить комментарий