«С помощью искусственного интеллекта мы вызываем демона»
— Илон Маск

«Развитие полноценного искусственного интеллекта может означать конец человеческой расы»
— Стивен Хокинг

Введите «ai power» в Google, и вот что предлагает поисковая система:

Искусственный интеллект уже некоторое время является вирусным в области технологий, и на то есть веские причины; это победы в настольных играх у гроссмейстеров, выбор того, что мы должны покупать/смотреть/печатать для нас, и даже общение с нами. Понятно, что это вызвало опасения (поддержанные некоторыми влиятельными фигурами), что ИИ становится слишком мощным и лишит нас рабочих мест или даже приведет к нашему исчезновению.

Только одно из этих опасений верно в нашей жизни, и, возможно, оно к лучшему. Как и у всех прорывных технологий, у ИИ есть свои преимущества и недостатки, но они не были разъяснены тем из нас, кто не знаком с наукой о данных или разработкой программного обеспечения. Ключ к определению истинной угрозы (и ценности), которую представляет ИИ, лежит в понимании современного состояния инноваций ИИ.

Что такое искусственный интеллект?

Искусственный интеллект — это способность цифрового компьютера выполнять задачи, обычно связанные с разумными существами, в первую очередь (но не ограничиваясь) обучение, рассуждение, решение проблем, восприятие и использование языка[ 1]

Таким образом, интеллект — это не просто способность действительно хорошо делать что-то одно — он состоит из многих компонентов, и хорошее выполнение одной конкретной задачи (например, игра в шахматы) не указывает на интеллект в целом. Проще говоря, целью любого симулированного интеллекта является достижение цели без вмешательства человека. Поскольку человеческий интеллект многогранен, настоящий искусственный интеллект, призванный заменить его, также должен быть таким же. Когда ИИ способен обучиться любойинтеллектуальной задаче, которую может выполнить человек, это называется общим искусственным интеллектом (AGI). Конечная стадия называется сверхразумом — когда ИИ превосходит людей по общему интеллекту.

Обучение

Как машина учится? Из различных компонентов интеллекта наиболее важным является обучение на основе прошлого опыта. Если вы можете постоянно корректировать свои действия и улучшать их с течением времени, это делает программу довольно умной. Есть три разных типа обучения; контролируемые, подкрепляющие и неконтролируемые [2]. Обратите внимание, что их можно комбинировать, но в рамках данной статьи мы будем придерживаться этих трех основных.

Обучение с учителем предполагает руководство «учителем», который предоставляет образцы входных данных вместе с желаемым правильным выходным сигналом, а затем машина сопоставляет входные и выходные данные на основе «модели» (уравнения).

Обучение с подкреплением похоже на обучение животного с помощью кнута и пряника. Поведение ИИ подкрепляется («вознаграждается»), когда он успешно выполняет задачу, и обескураживает, когда он терпит неудачу; он использует обратную связь для самообучения.

Обучение без учителя — самая сложная и вместе с тем цель общего искусственного интеллекта. В этом нет ни учителя, ни системы вознаграждения; машина просто должна разобраться во всем сама, имея какие-то немаркированные, несекретные данные. Именно так младенцы в раннем возрасте узнают об абстрактных понятиях, таких как гравитация (мяч упадет, если его не поддерживать).

На каком этапе мы сейчас находимся. Здесь мы неплохо справились. Именно в этой области произошло большинство прорывов в области ИИ и возникло большинство модных словечек, таких как «машинное обучение» и «нейронные сети». Машинное обучение позволяет программам учиться самостоятельно (неконтролируемое обучение и обучение с подкреплением), а не быть явно запрограммированными для этого (как в случае с контролируемым обучением).

Глубокие нейронные сети позволяют моделировать машины на основе «нейронов» (точно так же, как наш мозг) — каждый нейрон в машине может представлять определенное действие (или вычисление). Некоторые пути, ведущие к желаемым результатам, усиливаются, а другие ослабевают [3]. Это означает, что машины постепенно становятся похожими на наш мозг; кто знает, это может даже привести к иррациональным результатам, как это иногда может сделать наш мозг.

Обоснование

Рассуждение — это «здравый смысл» машины. Это способность делать выводы на основе данных посредством процессов индукции или дедукции [4]. В мире так много данных, но без возможности делать выводы на их основе, это действительно бесполезно для ответов на новые вопросы.

К чему мы пришли.Машинное обучение отлично подходит для моделирования отношений, когда входные и выходные данные четко определены. В чем он не хорош, так это в поиске новых отношений между переменными, которые еще не были указаны. Если машина знает, что объект, который она видит, является яблоком, ей нужно специально сообщить, что это также и фрукт, в каждом случае, когда она видит яблоко. Машина не может сама прийти к таким выводам.

Именно здесь вступает в действие глубокое рассуждение, использующее реляционные сети для определения взаимосвязей между точками данных [5]. Однако это все еще находится в зачаточном состоянии. Пока мы не будем внедрять инновации в этой области, простое наличие большего количества данных не сделает ИИ более эффективным, чем он уже есть. Нам потребуются данные абсолютно обо всех отношениях в мире, что немыслимо; вместо этого нам нужно научиться работать с имеющимися данными; делать больше с меньшими затратами. Сегодня машинам крайне не хватает здравого смысла; но я не думаю, что вам нужна была эта статья, чтобы знать это.

Решение проблем

Весь смысл использования ИИ заключается в том, чтобы решить проблему для достижения цели. То есть, получив некоторый ввод, вернуть вывод, полезный для текущей задачи. Любой старый калькулятор может решить за нас простые математические задачи, но ключ в том, чтобы добиться решения задач общего назначения; машина, которая может решить широкий спектр различных проблем, а не несколько избранных.

Куда мы пришли.Мы пока не знаем, как люди на самом деле подходят к решению проблем. Однако в попытке смоделировать что-то близкое решение проблем ИИ в значительной степени охвачено серией вложенных операторов if-else наряду с сохранением «рабочей памяти» текущей ситуации [6]. Если выполняется определенное условие, сделайте это, иначе сделайте то; а затем обновить ситуацию в оперативной памяти. Затем переходите к новому оператору if-else, пока проблема не будет решена. Как вы понимаете, вам пришлось бы моделировать все возможные обстоятельства с помощью оператора if-else, что чрезвычайно усложняло бы решение проблем общего назначения. Каждая проблема должна носить детерминированный характер. Мы не близки в этой области.

Восприятие

Восприятие — это понимание окружающей среды путем классификации сенсорных данных (в качестве входных данных) в суждения. Это как «чувства» машины, которые обеспечивают контекст для поведения машины. Если робот-пылесос обнаружит стену, он остановится, не долетев до стены, и повернется в другом направлении.

К чему мы пришли.От роботов-пылесосов до беспилотных автомобилей и даже интеллектуальных систем безопасности — алгоритмы все чаще используют данные датчиков осмысленным образом. Однако узким местом снова является интерпретация и оценка сенсорных данных. В то время как нейронные сети позволяют изучать и классифицировать различные образы (распознавание изображений) и звуки (распознавание речи), ключ к восприятию более высокого уровня лежит в контекстуальной осведомленности; заданный набор входных данных может быть воспринят несколькими различными способами в зависимости от контекста и состояния воспринимающего [7]. Человек, идущий перед вашей машиной, может быть аварийным или совершенно нормальным, в зависимости от цвета светофора и того, движется ли ваша машина. В некотором смысле восприятие является настоящим «человеческим» узким местом по сравнению с другими компонентами.

Язык

Машины должны уметь понимать людей и общаться с ними. Многие программы могут выдать нам английский язык (например, Magic 8 Ball), но отличительной чертой истинного интеллекта является способность формулировать неограниченное количество различных предложений в безграничном наборе контекстов, а не несколько определенных, ограниченных конечным набором контекстов. контексты. ИИ должен уметь правильно понимать правила языкового поведения.

К чему мы пришли.Здесь вступают в действие алгоритмы обработки естественного языка (NLP). Машины используют синтаксис (понимание того, как слова расположены в предложение) и семантическийанализ (понимание смысла предложения) для понимания людей [8]. Машины достаточно хорошо справляются с первым, но понимание смысла все еще находится в зачаточном состоянии. Если я сказал: «Это было здорово», я искренен, саркастичен или, возможно, игнорирую вас в пустых разговорах? Обратите внимание, что что-то вроде сарказма (со скрытым смыслом) чрезвычайно сложно понять чат-боту или Google Home.

Раздутые страхи

«Безусловно, самая большая опасность искусственного интеллекта заключается в том, что люди слишком рано приходят к выводу, что они его понимают»
— Элиэзер Юдковски

Очевидно, что для моделирования общего искусственного интеллекта нам необходимо интегрировать все вышеупомянутые компоненты в некое подобие программы. То есть эта программа должна быть в состоянии учиться, рассуждать, решать общие проблемы, воспринимать (и действовать) свое окружение и общаться.

Итак, все эти прорывы, о которых мы видим в новостях, предназначены для конкретных вариантов использования (узкий ИИ), а не для интеграции интеллекта, который у нас уже есть, чтобы мы могли гибко применять их ко всем вариантам использования, как это могут люди. Эти разумные программы еще не знают, как разговаривать друг с другом, и мы практически не продвинулись на этом важном пути. Единственным доказательством того, что у нас есть такая структура, демонстрирующая такой тип интеллекта, является мозг. Беда в том, что мы даже не знаем, как смоделировать базовую клетку или даже червя (с 300 нейронами — OpenWorm [9]), не говоря уже о чем-то близком к мощности мозга. И если вне мозга есть структура, которая может проявлять общий интеллект, то она для нас такая же чужая, как, ну… инопланетяне.

Затем текущее состояние ИИ похоже на ферму с некоторыми отличными инструментами, которым все еще нужен фермер. Мы еще далеки от точки, когда инструменты могут запускать все независимо друг от друга, или необходим только один инструмент.

Массовое вымирание – когда и как?

Беспокоиться о сверхразуме искусственного интеллекта сегодня все равно, что беспокоиться о перенаселении планеты Марс. Мы еще даже не приземлились на планете!
- Эндрю Нг

Все настолько зациклены на том дне, когда мы создадим искусственный общий интеллект, что даже не заостряем внимания на том, когда и как мы этого добьемся. Эпицентр находится как минимум в десятилетиях; это похоже на то, что мы просто открываем механизмы и компоненты, но до полноценного двигателя или даже прототипа автомобиля еще далеко, и, скорее всего, не произойдет при нашей жизни.

Итак, расслабьтесь. Нет сумасшедшего ученого/инженера, который может случайно создать монстра, ИИ-убийцу, который покончит со всеми нами.

Массовая безработица или более качественная работа?

«Вопрос не в том, сократит ли автоматизация рабочие места. Нет конечного числа рабочих мест, которые мы делим между собой с каменного века. Создаются новые рабочие места, и они обычно лучше и креативнее.
- Навал Равикант

Человеческий труд был заменен машинами после Сельскохозяйственной революции (или, возможно, даже до нее). Интересно, что передача человеческого труда машинам привела не к уменьшению, а к увеличению рабочих мест. Повышение производительности способствует росту, что позволяет создавать рабочие места более высокого качества [10]. У нас есть все эти усовершенствованные машины/алгоритмы, которые очень хорошо выполняют за нас определенные задачи. Людям нужно делать все меньше и меньше черной работы до такой степени, что это открывает значительные возможности делать то, что ИИ еще долго не сможет делать; творческая, гибкая работа. Каждый человек креативен и многогранен, но мы не сможем эффективно использовать этот потенциал, если большую часть жизни вынуждены мыть полы или работать за кассой. Каждый прорыв в области искусственного интеллекта позволяет нам продвигаться в мире.

То же самое произошло, когда была изобретена швейная машина; возможно, люди в текстильной промышленности потеряли работу из-за ручного шитья одежды, но этих же людей можно было бы перевести в другие быстрорастущие области текстильной промышленности, повысив производительность. А также с Интернетом; мы покупаем меньше газет и отправляем меньше писем, но появились тысячи новых профессий, таких как веб-дизайнеры, специалисты по данным и даже блоггеры [10].

Возможно, самым большим позором является то, что некоторые навыки неизбежно станут ненужными в будущем. Однако решение этой проблемы не должно заключаться в том, чтобы препятствовать техническому прогрессу/производительности ради сохранения вашей работы; нужно постоянно учиться и приспосабливаться к новому миру.

Так что не беспокойтесь о вымирании или безработице. Это либо далеко, либо не так плохо, как вы думаете. На данный момент ИИ хорош в нескольких избранных областях (таких как распознавание образов и обучение), но не так хорош во всех других компонентах интеллекта. Если мы что-то и знаем, так это то, что нам нужно узнать гораздо больше об интеллекте в человеческой форме из таких областей, как психология и неврология, прежде чем мы сможем подумать об успешном воспроизведении его в цифровой форме. На данный момент ИИ не обязательно находится в зачаточном состоянии, но, возможно, он только на пути к половой зрелости.

Источники

  1. https://www.britannica.com/technology/artificial-intelligence
  2. http://www.allthingsinteractive.com/new-blog/2016/12/3/three-types-of-learning-that-artificial-intelligence-ai-does
  3. https://pathmind.com/wiki/нейронная сеть
  4. https://towardsdatascience.com/whats-next-for-ai-enter-deep-reasoning-fae8b131962a
  5. https://towardsdatascience.com/deep-learning-approaches-to-understand-human-reasoning-46f1805d454d
  6. https://www.ritsumeihuman.com/en/essay/the-problem-solving-ability-of-human-and-artificial-intelligence/
  7. https://cis.temple.edu/~wangp/3203-AI/Lecture/IO-2.htm
  8. https://becominghuman.ai/a-simple-introduction-to-natural-language-processing-ea66a1747b32
  9. http://openworm.org/
  10. https://singularityhub.com/2019/01/01/ai-will-create-millions-more-jobs-than-it-will-destroy-heres-how/