Сильный искусственный интеллект что это
Начнем с общего определения этой технологии. Звучит оно примерно так: ИИ — это обширный раздел компьютерных наук, цель которого — создать видимость наличия у машины человеческого интеллекта. Таким образом, если компьютер демонстрирует когнитивные способности, присущие людям, то мы называем это ИИ.
Слабый ИИ (Narrow AI)
ИИ узкого назначения, также известный как слабый, — это ИИ в сегодняшнем понимании. Он запрограммирован на выполнение одной задачи — будь то мониторинг погоды, игра в шахматы или анализ данных для написания журналистских репортажей.
Такой ИИ может работать в режиме реального времени, но он извлекает информацию лишь из ограниченного набора данных. В результате эта система способна справляться только с одной конкретной проблемой, решению которой она обучена.
В отличие от ИИ общего назначения, также известного как сильный, ИИ узкого назначения не обладает человеческими чувствами и сознанием, а работает лишь в заранее заданном диапазоне.
Все окружающие нас ИИ-решения — это примеры слабого ИИ, в том числе Google Assistant, Google Translate, Siri и другие инструменты обработки естественного языка. Кто-то может возразить и сказать, что это не так, ведь они способны взаимодействовать с людьми. Однако все же это ИИ узкого назначения, потому что подобные машины слишком далеки от человеческого интеллекта — другими словами, они не могут думать самостоятельно.
Например, Siri не обладает сознанием. Она просто выполняет ряд задач: обрабатывает человеческую речь, вводит полученный вопрос в поисковую систему и выдает ответ.
Это объясняет, почему на абстрактные вопросы о смысле жизни и личных проблемах Siri или Google Assistant дают неопределенные ответы, которые часто не имеют смысла, или предлагают ссылки на статьи из интернета. С другой стороны, на вопрос о погоде мы всегда получаем точный ответ. Это доказывает, что голосовые помощники на основе ИИ не могут выходить за рамки знакомых задач.
Преимущества слабого ИИ
Хоть этот вид ИИ мы и называем слабым, не стоит воспринимать такое определение буквально. ИИ узкого назначения — это серьезный технологический прорыв.
Такие системы способны обрабатывать данные и выполнять задачи значительно быстрее, чем любой человек, что позволило повысить общую производительность, а также качество жизни. В частности, такие ИИ-решения, как IBM Watson, разработаны для помощи врачам — они делают медобслуживание лучше, быстрее и безопаснее.
Кроме того, слабый ИИ избавил нас от множества рутинных задач: от заказа пиццы (теперь это может сделать Siri) до обработки больших массивов информации. Эта технология значительно улучшила нашу жизнь, поэтому мы не должны ее недооценивать. С появлением передовых технологий наподобие беспилотных автомобилей слабый ИИ также избавит нас от досадных реалий вроде пробок и предоставит больше свободного времени.
Кроме того, ИИ узкого назначения служит строительным материалом для более фундаментальных систем, с которыми мы можем столкнуться в ближайшем будущем.
Сильный ИИ (General AI)
ИИ общего назначения, или сильный ИИ, схож с человеческим интеллектом. Иными словами, он может успешно выполнять любые умственные задачи, которые под силу людям. Именно такие системы мы видим в научно-фантастических фильмах, посвященных взаимодействию человека с машинами, обладающими чувствами и сознанием.
Сейчас компьютеры могут обрабатывать данные быстрее, чем мы. Но они не способны мыслить абстрактно, продумывать стратегию, а также использовать мысли и воспоминания, чтобы принимать обоснованные решения или выдвигать творческие идеи. Благодаря этому типу интеллекта мы превосходим машины. В то же время работу этих когнитивных механизмов сложнее всего понять, а значит, и сложнее всего воспроизвести.
Ожидается, что сильный ИИ сможет рассуждать, справляться с проблемами, выносить суждения в условиях неопределенности, планировать, учиться, интегрировать предыдущие знания в процесс принятия решений, а также предлагать новаторские идеи. Но для достижения всех этих целей исследователи должны придумать, как наделить машины сознанием.
Супер-ИИ (Super AI)
Оксфордский философ Ник Бостром определяет супер-ИИ так: «Это любой интеллект, который значительно превосходит когнитивные способности человека практически во всех областях».
Супер-ИИ превзойдет людей во всех аспектах — от творчества до жизненной мудрости и решения проблем. Машины будут способны демонстрировать интеллект, который мы не видели и у самых одаренных представителей человечества. Это тот тип ИИ, который многих беспокоит, а по мнению Илона Маска, именно он приведет к вымиранию людей как вида.
Искусственный интеллект: понятие, типы, сферы применения, прогнозы на будущее
Каковы тенденции? Искусственный интеллект все настойчивее, все глубже проникает в самые разные области человеческой деятельности. «Умные» программы сегодня задействованы не только в кибернетике, но и в медицине, экономике, логистике, производственной и сельскохозяйственных сферах. И список только растет.
На что обратить внимание? Никто не спорит, что привлечение ИИ значительно облегчает нам жизнь, но вместе с тем это порождает некоторые проблемы, в том числе этического характера. И если мы хотим и дальше использовать все открывающиеся возможности, данные вопросы предстоит тем или иным образом решать.
В статье рассказывается:
Понятие искусственного интеллекта
Искусственным интеллектом называют комплекс программ, разработанных с целью воспроизведения навыков, присущих человеку. Это способность заниматься решением проблем, планированием, пополнять запас своих знаний, улучшать подход к выполнению поставленных задач в ходе работы над ними.
В целом искусственный интеллект представляет собой набор моделей и методов, который способен на основе полученной информации сделать те или иные выводы. К примеру, это сортировка фотографий или текстов по заданным признакам, составление прогнозов по курсам валют и т.п. Общая характеристика для всех моделей – способность извлечь знания из набора данных. Что-то вроде вычисление значения функции с миллионами и миллиардами переменных.
Понятие искусственного интеллекта
У человека в мыслительном процессе задействуются нейроны мозга, а накопление новых навыков в системах искусственного интеллекта осуществляется за счет нейронных сетей.
Главное, чем отличается ИИ – это способность обучаться и совершенствоваться в ходе выполнения поставленных задач. То есть, часто применяемая технология адаптируется к вашим потребностям, в то время как обычная система раз за разом решала бы задачу по одной и той же схеме.
Человек способен не только мыслить, рассуждать, обучаться, решать поставленные задачи, но еще и проявлять при этом эмоции. Кроме того, он живет в социуме и часто подвержен его влиянию. ИИ существует вне социальных установок и не может испытывать никаких эмоций.
Скачивайте и используйте уже сегодня:
Топ-30 самых востребованных и высокооплачиваемых профессий 2023
Поможет разобраться в актуальной ситуации на рынке труда
Подборка 50+ бесплатных нейросетей для упрощения работы и увеличения заработка
Только проверенные нейросети с доступом из России и свободным использованием
ТОП-100 площадок для поиска работы от GeekBrains
Список проверенных ресурсов реальных вакансий с доходом от 210 000 ₽
Что касается такого параметра, как IQ, то, по мнению большинства ученых, к ИИ он применяться не может. Вроде бы всё логично, потому что с помощью стандартных IQ-тестов проверяют способность человека «качественно» мыслить и уровень интеллектуального развития индивидуума в том или ином возрасте.
Однако и для искусственного интеллекта существует специальный тест Тьюринга. По его результатам определяют уровень обучения машины и её способность перенимать манеру общения, максимально близкую к человеческой. Собственно, такую планку задают компьютерам люди.
История развития искусственного интеллекта
Об искусственном интеллекте (по-английски artificial intelligence) первым заговорил на конференции в Дармутском университете (она проходила в 1956 году) Джон МакКарти, придумавший функциональное программирование и, в частности, язык Lisp.
Впрочем, еще раньше, в 1935 году ученый Алан Тьюринг сформулировал идею создания «умной» вычислительной машины, которая будет оснащена неограниченной памятью и сканером, способным по этой памяти циркулировать и находить нужную информацию. И сам же Тьюринг в 1950 году вынес предложение называть интеллектуальными лишь системы, способные демонстрировать общение, максимально приближенное к человеческому.
История развития искусственного интеллекта
Этот же ученый придумал тогда эмпирический тест, позволяющий оценить, насколько успешно машина поддается обучению, и получается ли у неё общаться так, как это делают люди.
Первую программу искусственного интеллекта разработал в 1951 году Кристофер Стрейчи. В 1952 она уже научилась играть в шашки с людьми, при этом великолепно предсказывая ходы партнеров. Алан Тьюринг даже специально рассказал о данной системе в вышедшей тогда статье, посвященной шахматному программированию.
Далее появилась программа «Элиза» (прототип нынешней Siri). Её придумал в 1965 году Джозеф Вайценбаум, работавший тогда в Массачусетском технологическом университете. Первое управляемое компьютером авто («Стэндфордская тележка») изобрели в 1973 году. А затем, к концу 1970-х в сфере ИИ произошло некоторое затишье.
Очередной виток прогресса в сфере ИИ случился в середине 1990-х годов. В частности, в 1997-м большой интерес вызвал суперкомпьютер IBM Deep Blue, сумевший победить шахматиста Гарри Каспарова. Цифровая информация развивается сейчас очень стремительно, её становится больше, растет скорость обмена ею. Это способствует быстрому развитию и искусственных систем. Они способны быстро манипулировать данными, обучаться и демонстрировать способности, которые не так давно были присущи только людям.
3 основных технологических принципа ИИ
К основным технологическим принципам создания искусственного интеллекта относят следующие:
- Принцип машинного обучения (МО). В нем задействуются алгоритмы самообучения. При этом всё, что требуется от человека – это загрузить в компьютер массив данных и поставить задачу. Машинное обучение может реализовываться посредством разных методик: обучение с учителем, когда именно человек обозначает цель (проверить какую-либо гипотезу, действие закономерности и т.п.). Далее – обучение без учителя. В таком случае уже есть результаты интеллектуального анализа информации, а задача машины – выявлять в них закономерности, имитируя человеческое мышление. Есть еще глубокое обучение – смешанный вариант, применяемый для работы с большими объёмами данных.
- Использованием нейросетей для обучения искусственного интеллекта. Имеется в виду математически смоделированная система, созданная по аналогии с человеческими нервными клетками (повторяется их строение и порядок функционирования). Идеальный вариант такой системы – способность к самообучению. Технологически, нейросеть представляет собой большой набор процессоров, выполняющих каждый свою задачу в общем проекте. Проще говоря, это суперкомпьютер, состоящий из сети простых компьютеров.
- Глубокое обучение – это самостоятельный принцип ИИ, предназначенный для поиска закономерностей в громадных массивах с данными. Человеку с такой работой не справиться, а у компьютера для этого есть свои специальные приемы.
3 типа искусственного интеллекта
Специалисты, работающие с ИИ, подразделяют его на три вида:
Слабый искусственный интеллект (Weak, или NarrowAI)
Уже созданный человеком. Да, он лучше людей справляется с решением множества задач. К примеру, программа Deep Blue, обыгравшая в 1996 году Гари Каспарова в шахматы. Но Deep Blue только это и умеет и не способна научиться чему-то другому. Такие программы нашли применение в медицинской, банковской сфере, в бизнесе, логистике.
Система Fraud Detector — детище компании Amazon, одного из ведущих мировых ИИ-разработчиков. Программа нацелена на борьбу с онлайн-мошенниками, приносящими миллионы долларов ущерба. Система отслеживает действия пользователей в онлайне и указывает на подозрительные моменты. К примеру, это может быть «странный» заказ, который нужно проверить, прежде чем платить. Такие системы будут полезны крупным компаниям, банковским организациям, интернет-магазинам.
Кроме описанных, существует огромное множество и других способов применения.
Сильный искусственный интеллект (b, или GeneralAI)
Наглядный пример сильного ИИ – игра Detroit: Become Human.
В ней роботы максимально приближены к людям, они думают, чувствуют, обучаются, осознают собственное «я», способны принимать решения. В повседневном применении максимально приближены к General AI виртуальные ассистенты и чат-боты, способные общаться почти как люди. «Почти», потому что ни Алиса, ни Siri не умеют самостоятельно думать и принимать решения в незапрограммированных ситуациях. Сильный ИИ – это пока что несбывшаяся мечта.
Суперинтеллект (Superintelligence)
Это лучший искусственный интеллект, который, собственно, еще не создан. Более того, у людей нет даже отдаленного представления о том, возможно ли это. Речь идет о компьютерах, превосходящих человека по своему уровню интеллекта. А это уже нечто фантастическое.
Сферы применения ИИ
По мнению многих, раньше считалось, что искусственному интеллекту будет по силам лишь перевести текст, понять человеческую речь, идентифицировать объект и т.п. Однако таких навыков к 2020 году стало столько, что не перечислить на одном листе. Вот лишь некоторые сферы применения ИИ:
Интернет
Использование ИИ в интернете началось с проекта Google Brain (2011 год). Благодаря данной разработке, в поисковике Google появились опции, управляемые искусственным интеллектом. В частности, это возможность голосового ввода в Google-переводчике. Вы просто произносите слово (фразу), и компьютер его переводит.
Сферы применения ИИ
В систему «Яндекс» разработчики тоже внедрили ИИ. Например, он задействован в голосовом помощнике «Алиса». Кроме того, по запросам, заданным с помощью речи, искусственный интеллект ищет картинки, прогнозы погоды.
Логистика, транспорт
Компании Nissan, BMW, Honda, Volkswagen и Audi с 2000-х годов были в числе первых разработчиков беспилотных автомобилей. Основное, что должно в них быть – радар, GPS-навигатор, специальные видеокамеры, определитель расстояния и света. При этом именно ИИ анализирует поступающую во время движения информацию и принимает на её основе соответствующие решения.
Что касается применения ИИ в логистике, то здесь можно упомянуть беспилотники от Amazon, с помощью которых осуществляются доставки заказов. Уже в конце 2016 первый адресат получил свою посылку именно таким образом.
Финансы
Пример – специальный сервис Decision Intelligence в международной платежной системе MasterCard. Согласно статистике, даже мошенники приносили меньший ущерб, чем сбои в работе системы безопасности. Благодаря Decision Intelligence, компания увеличила свои доходы. Технология позволяет с максимальной точностью подтверждать и выполнять переводы денег, а также сводить к минимуму количество ложных отклонений.
Задача искусственного интеллекта в кредитных сервисах – быстро анализировать историю заемщика, принимать решения по предоставлению ссуд, уменьшать число просрочек платежей или невозврата денег.
Бизнес, ритейл
Яркий пример – владелец крупнейшей торговой сети, компания Walmart. Задействовав искусственный разум, они ввели у себя автоматические платежи, упростили процесс учета, стали применять дроны для доставок.
В магазинах сети начали работать роботы Bossa Nova (с 2017 года) с искусственным интеллектом. Они курсируют по супермаркетам, отслеживают наличие всех товаров на полках, находят неверные ценники, раскупленные продуктовые позиции. Всё это – благодаря специальному ПО, в котором используются элементы ИИ. Собранная информация направляется затем к логистам.
Медицина
Искусственные нейронные сети способны находить признаки патологий на маммографиях, МРТ, КТ, рентгеновских снимках. Системы с ИИ помогают врачам диагностировать болезнь Альцгеймера, проблемы с легкими. ИИ за считанные секунды способен оценить результаты исследований в то время, как врач потратит на это не меньше 20-30 минут.
Еще ИИ «умеет», изучив все имеющиеся факторы, подобрать самый подходящий комплекс лечения для спортсменов, которым требуется восстановление после травмы, например.
Системы безопасности
Главное, к чему здесь сводится применение искусственного интеллекта – это распознавание лиц и идентификация личности. Кроме того, системы безопасности с ИИ способны находить опасные предметы и вещества.
Спорт
При наборе игроков в команды по футболу, бейсболу, баскетболу учитываются индивидуальные способности каждого спортсмена, его техника. Системы искусственного интеллекта на основе этих данных выстраивают прогнозы по потенциальным возможностям игроков.
Еще машины с ИИ способны прогнозировать результаты спортивных матчей. В числе разработчиков подобных систем – компании UBS, Commerzbank, Microsoft. Какие данные нужны для этого искусственному разуму? Например, физическая подготовка игроков, их опыт, место проведения матча, погода в день игры.
Животноводство, сельское хозяйство
Здесь искусственные нейронные сети используются по самым разным направлениям. Подобные разработки в аграрной промышленности есть у компаний Agworld, Farmlogs, Cropx, AGCO. В частности, это беспилотники, оснащенные радарами и GPS-мониторингом, «обученные» доставлять в нужное место опасные химикаты и опрыскивать ими те или иные сельскохозяйственные угодья.
Промышленность
Технологии искусственного интеллекта в промышленности нацелены на автоматизацию процесса производства и сокращение числа работников на предприятии. Роботы с ИИ способны собирать конструкции из деталей (зная, в каком порядке и как они должны быть закреплены), выполнять сборку оптимальным способов (самостоятельно рассчитав его), то есть так, чтобы детали располагались в правильном порядке и абсолютно надежно.
Технологии искусственного интеллекта
В частности, в планах у корейской компании LG – открытие в 2033 году завода, на котором все процессы будут выполняться с применением систем искусственного интеллекта, начиная с момента закупки сырья и расходных материалов – заканчивая производством и отгрузкой готового продукта заказчикам. Формирование цен, отслеживание износа ПО, выполнение планов и всё прочее тоже будет под контролем ИИ.
Ведущие компании-разработчики искусственного интеллекта
Разумеется, у Google есть разработки, связанные с ИИ, ведь речь идет о гигантской технологической компании, владеющей самым популярным поисковиком и имеющей громадную мобильную ОС. У компании существует возможность применять собственные API (инструменты для создания программ с ИИ) в своих же продуктах и зарабатывать на этом деньги.
Эти API способны распознавать речь, поддерживать диалоги по шаблонам (актуально для колл-центров), переводить слова и фразы с одного языка на другой. Это лишь некоторые, понятные всем разработки, однако у Google их не одна сотня, и предназначены они для самых разных сфер. Большая часть «заточена» на продажи через интернет.
OpenCog
Специалисты компании придумали специальные куски компьютерного кода, предназначенные для создания искусственных нейросетей. Данные архитектуры находятся в открытом доступе. Компания придерживается той установки, что сообществу совместными усилиями скорее удастся изобрести мощный ИИ, способный функционировать в разных сферах.
Microsoft
Детище, принадлежащее данной корпорации и имеющее наибольшую популярность – нейросеть Azure. В большей степени она востребована у программных разработчиков. Система воспринимает речь, способна прогнозировать, ей доступны и другие интеллектуальные способности, аналогичные человеческим. Особое внимание компания уделяет AI, обученному видеть ошибки в кодах. Дело идет к созданию ИИ, который вообще сам будет писать программы.
Российские разработки
Серьезные, активно работающие и интегрированные с бизнесом центры компетенций ИИ в России по большому счету отсутствуют. Многие компании находят возможности использования искусственного интеллекта в своих бизнес моделях. В частности, «Сбербанк» и Mail.ru Group, «Яндекс» и «Лаборатория Касперского», корпорации «Сибур» и «Северсталь». Однако это отнюдь не уникальные в полном смысле слова решения.
7 популярных инструментов с искусственным интеллектом
Далее – о сайтах, где можно найти информацию и инструментарий по теме нейросетей. Тут вы увидите как довольно простые интерактивные игры, так и передовые разработки.
7 популярных инструментов с искусственным интеллектом
Это сайты, которые будут полезны и исследователям, и разработчикам, и тем, кому просто интересна тема искусственного интеллекта. Заходите, изучайте информацию, знакомьтесь с современными разработками, реально меняющими мир в лучшую сторону.
- HyperWrite
Полезен для писателей. Способен быстро формировать классный контент, задействуя свои собственные представления о структуре языка. Данный вариант экономически более выгоден, чем классический подход к написанию текстов. Кроме того, они могут быть самых разных форматов, иметь вид статьи, предназначаться для соцсетей, блогов, почтовых рассылок и прочее.
ТОП-100 площадок для поиска работы от GeekBrains
20 профессий 2023 года, с доходом от 150 000 рублей
Чек-лист «Как успешно пройти собеседование»
Чтобы зарегистрироваться на бесплатный интенсив и получить в подарок подборку файлов от GeekBrains, заполните информацию в открывшемся окне
- Murf.ai
Инструмент для преобразования текстовых файлов – в голосовые. Тут доступно изменение голоса, создание аудиокниг. Murf.ai абсолютно прост в использовании, достаточно загрузить в программу текст, а дальше она всё сделает сама. ПО работает, опираясь на структуру ваших предложений, и в итоге выдает аудиокнигу с реально звучащим человеческим голосом. Это инструмент для тех, кому не интересно просто читать или печатать текст, а хочется опробовать новые форматы.
- Synthesia
Платформа для преобразования текстов в видеоролики профессионального уровня. Тут можно делать GIF-анимации, аватарки с собственными персонажами либо предметами. Есть звуковые эффекты, музыка, возможность использования более 60 языков для того, чтобы видео получилось максимально интересным. Synthesia больше рассчитана на профессиональное применение, однако и для простого пользователя тут не будет особых трудностей.
- MagicEraser
Инструмент для удаления с изображений тех элементов, которые вам не нужны. Доступ к MagicEraser свободен, платить за использование сервиса не нужно. Пользоваться им абсолютно легко: загружаете своё фото, выделяете ненужную часть и потом загружаете уже измененную картинку. На все манипуляции уходят буквально секунды.
- LogoAI
Сервис для создания логотипов. Искусственный интеллект здесь задействован во встроенном генераторе логотипов.
7 популярных инструментов с искусственным интеллектом
Процесс разработки логотипов с LogoAI лёгок и прост. Настройки выполняются с помощью специальных канцелярских товаров, а именно — шляп, веб-сайтов, мобильных версий веб-сайтов (чашек). При создании своего логотипа вы можете параллельно использовать несколько разных инструментов, но для старта LogoAI подходит как нельзя лучше.
- Lexica
Сервис, открывающий доступ к громадному хранилищу изображений, которые рисует искусственный интеллект. К ним имеются ещё и текстовые комментарии. Для поиска нужных картинок существует специальное окно, есть ссылка для разногласий, возможность посмотреть несколько изображений на одной странице (размечена сетка), настроить нужные размеры картинки для предварительного просмотра.
Lexica — настоящий источник вдохновения для тех, кто увлекается искусством, создаваемым нейросетями. Всего в коллекции более 5 миллионов рисованных файлов, а текстовые комментарии к ним можно либо копировать, либо вносить в них изменения.
- Rytr
Это созданный на основе искусственного интеллекта помощник для тех, кто занимается написанием текстов. С Rytr процесс создания уникального контента увлекателен и прост. Тут собрано свыше 40 вариантов использования текстов, много шаблонов на все случаи жизни. Работать можно на разных языках (на выбор свыше 30). Вариантов тона – больше 20.
Кроме того, применяются научные формулы копирайтинга (имеются в виду AIDA и PAS). В Rytr есть отличный текстовый редактор, сервисы, с помощью которых готовый текст можно проверить на уникальность, а также отформатировать с применением ряда параметров.
7 главных проблем использования систем ИИ
Современные технологии развиваются очень стремительно, внося свои изменения в жизнь людей. В связи с этим возникает целый ряд вопросов как технологического, так и этического характера. Далее – коротко о тех и других.
- Создание и применение технологий на основе искусственного интеллекта– «удовольствие» не из дешевых, доступное лишь министерствам и корпорациям, способным вкладывать в это немалые деньги и несколько лет потом ждать прибыли от них. К примеру, Минкомсвязи инвестировало 1,118 трлн. рублей в проект «Цифровая экономика» с технологиями ИИ.
- Закупить роботов и «умное» ПО – это лишь полдела. Дальше нужно найти кадры, которые смогут грамотно всё это интегрировать в бизнес. И вот тут начинаются проблемы. Сейчас пока еще не так много специалистов, достаточно разбирающихся во всех надстройках ИИ, и способных применить всё это в конкретном бизнесе.
- Всё еще остается открытым вопрос ответственности за возможные инциденты. То есть, в случае проблем, виновными следует считать разработчиков, либо тех, кто использует системы на основе ИИ.
- Здесь нельзя не упомянуть о предвзятости искусственного интеллекта. Имеется в виду, что самообучающиеся сервисы непременно ведут поиск закономерностей в представленных для обработки данных, однако верные паттерны обнаруживают далеко не всегда, потому что не способны «видеть» ситуацию шире, не представляют себе общей картины.
- Даже высокоразвитые современные технологии с громадным потенциалом всё же не способны заменить живого человека. Роботы не могут искренне сострадать, сочувствовать, морально поддерживать. А между тем, процесс выздоровления пациента во многом зависит именно от степени доверия и взаимопонимания между ним и врачом.
- Рост безработицы. Да, с развитием новых технологий появляются больше современных профессий. Однако, что делать тем, кто владеет старыми?
Например, в сфере автомобильных грузоперевозок только Штатах задействованы миллионы работников. И они останутся без средств к существованию, если Илон Маск наконец запустит свои грузовики-беспилотники и сделает их общедоступными.
Сильный искусственный интеллект. Как это работает. Часть 1
Моделированием нейронных сетей сейчас никого уже не удивить. На практике для бизнеса создаются различные модели нейронных сетей, которые выполняют, за частую, конкретную узкую задачу.
Что же такое Сильный искусственный интеллект (СИИ) ?
На основе множества узко направленных моделей нейронных сетей, обученных для широкого круга задач, собранные воедино для централизованного анализа данных и принятия решений, где по сути должна зародиться мысль и эмоции искусственного интеллекта ? Можете меня закидать определениями, но суть от этого не изменится. А суть в том, что по сей день СИИ ещё не создан и сравниться с возможностью человека мыслить машина ещё не может. Встречные вопросы в поддержку этой теории:
сколько нужно ресурсов, чтобы объединить все эти периферические модели нейронных сеток ?
предварительно сколько нужно ресурсов, чтобы их обучить до должного уровня, и был смысл их использовать?
при этом биологическая модель в голове у каждого из нас занимает не так много места и работает уникально, «поедая» при этом много энергии и ресурсов. Как достичь такой производительности при таких размерах ?
и для начала самое главное: как это реально работает у нас в голове ?
Все существующие модели нейронных сетей, это по сути проекции наших представлений о том, как это может работать. И, как любая проекция на грань или даже на ребро, эта проекция имеет ограниченное представление и с разных точек и взглядов проекция одного процесса может иметь разные представления и видения происходящего, которые видят процесс только с одной стороны. Действительность искажается часто неверным представлением из-за недостатка информации по остальным проекциям в других размерностях по этому же процессу.
С большой уверенностью я считаю, что для достижения уровня СИИ в нейронных сетях нужно закладывать разные уровни и последовательности процессов, которые можно комбинировать по мере необходимости, «прокачивать» их уровень и способности, качество. Ведь не секрет, что один и тот же процесс два разных человека могут видеть по разному, потому что обучались этому процессу по разному, т.е. не имели одного шаблона копирования процесса зеркальными нейронами в момент обучения, и копировали его каждый со своего источника, например от родителей. К примеру, приготовить чай можно по разному:
взять кружку, насыпать сахар, кинуть в кружку пакетик чая, вскипятить воду, залить воду, .
вскипятить воду, взять кружку, залить воду, кинуть в кружку пакетик чая, насыпать сахар, . и т.д.
оба варианта сработают по сути на один результат, но сам процесс отличается в зависимости от опыта каждого. Потому не стоит удивляться, что вас могут не понять в элементарном для вас вопросе, но вполне могут это понимать по своему. И это будет тоже верно. Ваше мнение только одна из проекций верного решения. Что в таком случае хотят от СИИ, который по сути своей тоже не должен быть копией с винта на винт одного и того же файла модели. Даже при зарождении человека и копировании ДНК от родителей, происходят погрешности копирования и ошибки в генокоде. Они могут быть незначительными, а могут стать патологией. Но никогда они не являются полной чистой копией.
В этой первой части я постараюсь описать первые «простейшие» процессы происходящие в нашей голове от рождения, чтобы хоть немного приблизиться к пониманию, вместе с вами, что всё-таки происходит в нашей голове, и как это можно смоделировать в СИИ корректно, с максимальной безопасностью для человека в будущем. Любая критика приветствуется, потому что в обсуждении часто рождается истина и исправляются заблуждения о процессе в целом с добавлениями к нему наших проекций и представлений о нём. Многие моменты я буду пропускать, то, что можно прочитать самостоятельно, и чтобы не растягивать статью до нечитабельных размеров.
Чтобы перейти к программированию или моделированию, нужно понимать процессы, и что именно и в каком виде, в какой последовательности должно запускаться и работать, какие результаты ожидаемы, и какие предсказуемы, а какие возможны. Именно возможные варианты обычно всё равно приходят не от фантазии, а от практических результатов, на сколько бы редкими они не были, и по функциональным, ресурсным возможностям.
Где зарождается мысль ? И как вообще мы доходим от внешних сенсоров организма человека до самой мысли в его голове ?
Любые экспертные системы на моделях нейронных сетей, как и сам человек, не содержат самой мысли. В экспертности содержатся сухие алгоритмы процессов, которые может повторить машинное обучение и для этого не нужен СИИ. В экспериментах известных гигантов индустрии сделавших чат-ботов, которые после обучения в «живом» чате, стали открыто ненавидеть человека и генерировать «мысли» о его уничтожении, это ни что иное, как генерирование очередной проекции «мысли» и представления о мире, на основе множества копий таких же проекций самих людей. Только провал эксперимента заключался в отсутствии контроля при обучении, и отсутствия ограничений, которые на человека при его обучении с детства накладывают родители, общество, культура. От рождения ребёнок интересуется всем. Это его программа выживания: узнать побольше, чтобы выжить в этом мире. И, чтобы выжить, ребёнку в начале родители, потом общество передают свои проекции «правильного» поведения, а по сути ограничения, что хорошо, а что плохо; что правильно, а что неправильно; что красиво, а что некрасиво и т.д. Впитывая с малых лет огромное количество непрерывной информации (ОСОБЕННО обращу ваше внимание на слова «непрерывной информации») дети, и уже взрослые люди в последствии формируют каждый свою связную сеть взаимосвязей этих созданных самим человеком ограничений с действительно важной и истинной информации о мире. Сам же человек, проводя проекцию этой информации в свои связи с ограничениями, искажает её и делает ложной в отношении истины, как таковой, потому что самой истине глубоко всё равно, как её интерпретирует человек. Грубо говоря, если Солнце всходит и заходит, то оно не перестанет этого делать, если человек будет понимать это по разному. Каждое «полезное» ограничение помогает человеку выжить в обществе, а обществу помогает не самоуничтожиться. При это на саму истину вокруг человека эти ограничения самого человека никак не влияют, потому что они существуют только в голове самого человека. И, уже на основе этого интеллекта, человек меняет этот мир под себя.
Что нужно сделать с СИИ, чтобы он в последствии не стал менять мир под себя, как это делает человек?
Т.е. как не создать себе конкурента, а создать себе помощника ?
Задача вполне уже решена между нами людьми, потому что между нами стоит та же задача «Как не воспитать конкурента, а воспитать помощника?». Про создать речи не идёт уже, это у нас дело автоматическое и по сути механическое. С моделями искусственных нейронных сетей происходить должно тоже самое. Человек со своей задачей справляется и выживает уже многие годы, даже не смотря на то, что человек делает себе же во вред. Насаждая человеку манеры поведения, культуру, люди формируют некий абстрактный, выдуманный мир, который видят только эти самые люди и понимают его смысл. Животным этот мир таким уже не кажется и у них совсем другие представления о происходящем. У животных свои врождённые культурные программы поведения и свой мир, и понимание его. Множество миров или параллельные миры, это не разные планеты на больших расстояниях или пронизывающие время и пространства миры, а просто разные параллельные множества представлений о мире здесь и сейчас разных видов нейронных сетей, которые абстрактно эти миры для себя и создают, чтобы удобнее в нём ориентироваться, защищенно передавать информацию, быстро реагировать на сложившиеся ситуации совместно для общего выживания.
Первые начальные этапы обмена информации человека с окружающим миром, которые остаются с человеком на всю его жизнь, можно описать следующим образом:
получая информацию от внешних источников (сенсоры тела человека, внутренние и внешние) мозг распознаёт её «периферийной» нейронной сеткой (нервными клетками на периферии), пока без формирования каких-либо мыслей по этому поводу. До мыслей ещё не доходит. Это распознавание позволяет на следующем шаге принять решение о критичности ситуации для организма без понимания самой ситуации, только на сенсорном уровне: критически больно, критически холодно, критически громко и т.д. и принимать рефлекторные быстрые решения для выживания: плачь и поиск защиты ребёнком, бегство, хочется бежать рефлекторно. И уже на эти рефлексы отвечает разум и мысли в более развитом возрасте, тормозя эти инстинкты и процессы в «периферийных» нервных клетках, меняя программу поведения под управлением более разумного мозга, который уже понимает суть происходящего и иногда может принять решение потерпеть для чего-то, чтобы в последствии было не хуже.
после распознавания, и определения на его основе критичности для самого организма, мозг человека начинает обрабатывать эту информацию зеркальными нейронами головного мозга. Зеркальные нейроны работают именно для воспроизведения того, что они слышат, видят, ощущают. В детском возрасте это особенно выражено, потому что у ребёнка на многие процессы вообще ещё отсутствуют какие-либо данные и методы решения даже на уровне зеркальных нейронов. Т.е. что происходит дальше и почему ребёнок при этом явно заметно соображает медленее? Просто потому, что во время работы зеркальных нейронов, что у взрослого, что у ребёнка, происходят следующие шаги процесса:
Система делает поиск по типу «Каким органом своего тела я могу это повторить ?». Если поиск ничего не выдал, как у ребёнка часто бывает, мозг начинает отвлекаться от текущего процесса и переключается на изучение и поиск похожего органа у себя, тому, что он видит или слышит. Изучает своё тело и не запомнит этот процесс, который перед ним промелькнул, до тех пор, пока не изучит своё тело так, чтобы при повторении этого процесса поиск уже выдал конкретный ответ, например: «могу повторить правой рукой», или «могу промычать голосом». Когда система выдаёт положительный процесс и уже не отвлекается на изучения, как у взрослого, который уже обучившись защищает свои знания и умения, чтобы не затрачивать лишнюю энергию на новые переучивания и пересоздания новых связей и методов решения той же задачи, если текущие решения его вполне устраивают, и ему от этого не хуже.
Система делает поиск по типу «Что именно мне нужно повторить ?» (Все повторения зеркальных нейронов могут происходить и внутри самого процесса мышления. Т.е. мышление это по сути прогон самого процесса зеркально и на этой основе прогнозирование результата) При поиске «Что именно повторять ?» при отсутствии такового формируется
абстрактное понятие процесса, класс, но ещё не метод.
Система делает поиск по типу «Как именно мне нужно это повторить ?» . Уже сдесь делается поиск по методам, и если их нет, то они создаются тоже на основе копирования готовых примеров из этого внешнего процесса. Именно поэтому ребёнок всё подряд повторяет, от движений, до повторений фраз. Формируя и закрепляя связи между кассами поведения и процессов и их методами воспроизведения.
Ребёнок обучается постоянно проходя эти 3-ри основных пункта, которые помогают создавать те самые ограничения родительские и ограничения общества, и в дальнейшем их быстро распознавать и определять, что будет лучшим выбором на данный момент для самого человека, опираясь на эти ограничения, воспитание.
когда предыдущий пункт и подпункты успешно выполнены и человек смог в голове распознать и воспроизвести этот процесс, по сути это говорит человеку, что процесс им узнаваем и он уже не в шоковом состоянии от неизвестности и поиска решения в бегстве или плаче, может спокойно уже прибегнуть к осмыслению этого процесса далее. Т.е. далее происходит поиск вариантов наилучшего поведения в данной ситуации, при котором человек максимально сохранит свою энергию, безопасность, благополучие, комфорт и остальные блага, до которых человек дорос своим интеллектом. Возможные варианты человек накапливает из множества примеров из того же непрерывного потока информации вокруг себя, дописывая их как успешные и неуспешные к текущему процессу. От веса успешности уже зависит дальнейшее его использование и воспроизведение через уже функциональный опыт, который в свою очередь тоже дополняет и корректирует вес успешности и удовлетворения от результата.
Поэтому с малых лет детям желательно давать не узкое образование, а широкого профиля, давая побольше информации и практических примеров, которые пригодятся ему в будущем для понимания мира вокруг него, и для принятия решений на этой основе багажа знаний и практических тому подтверждений на личном опыте, что сильно повышает вес этих методов и вероятность их включения или видоизменения в новых процессах действительности вокруг человека в данную его минуту существования. Естественно закрепляется в памяти больше тот образ и методы, которые чаще всего повторяются и используются. На этом очень часто и успешно работает реклама и самые различные внушения человеку со стороны, которые без уже сформированных фильтров из ограничений в голове не попадают в негативные связи с наименьшим весом важности, а попадают в связи среднего веса важности, чтобы взять и попробовать, а при последующем успешном применении, при котором ничего плохого не случилось, закрепляется положительно с наивысшим весом важности и будет в дальнейшем использоваться и воспроизводиться снова и снова, пока не встретит негативный отрицательный результат для себя, и не понизит вес важности данного процесса и метода. И данные изменения происходят постоянно в таком же потоке окружающей нас информации.
Собственно мы и получили описание мысли как таковой, которое можно попробовать перенести на железо в СИИ, сохраняя обязательно все последовательности и формирования ограничений во время обучения, принципы изменения весов важности, срочности, потому что иначе создадим себе конкурентов, а не помощников.
Спасибо всем, кого заинтересовала моя статья, и кто напишет своё мнение по этому поводу, какие бы оно не было. Все проекции на данную проблему помогут увидеть саму суть многомерно, а значит более точно.
Что такое сильный искусственный интеллект и почему его пока нельзя создать
Эксперт Макаров: одной из фундаментальных проблем ИИ является «забывание»
— Есть такое понятие, как сильный и слабый ИИ. Чем они отличаются друг от друга?
— Сильного ИИ сейчас не существует, но на уровне концепции подразумевается, что он способен к самообучению, определению для себя целей и выбору средств для их достижения. Подразумевается, что сильный ИИ должен по когнитивным способностям быть на уровне человека, а с учетом технологических и вычислительных возможностей, даже превосходить его.
Текущий ИИ в основном решает конкретные задачи, все разноплановые. У вас есть в телефоне «умный» поиск, который по картинке с телефона может найти предмет, похожий на сумку, которую вы видите на экране смартфона своей подруги. Или у вас есть голосовой ассистент. Это тоже пример слабого ИИ.
Из личного архива
— В чем сложность создания сильного ИИ?
— Многие говорят, что занимаются созданием сильного ИИ, но фундаментальные проблемы остаются нерешенными. Большинство моделей искусственного интеллекта основаны на нейронных сетях, у которых есть целый набор проблем.
Например, так называемое «катастрофическое забывание». ИИ забывают примеры, на которых учатся, не могут в точности выдать тот же самый результат. Есть еще проблема плохой обобщающей способности — нейросеть, обученная на одном датасете картинок, не может хорошо адаптироваться к другому датасету картинок, снятому в других условиях.
Представьте, у вас есть две функции, которые нужно оптимизировать. Вы хотите, например, чтобы объекты хорошо классифицировались, и еще чтобы они хорошо локализовались на картинке. Как обучать такую модель? Выбирая из двух зол, вы выбираете: «Я хочу, чтобы в среднем в сумме они давали минимальную ошибку». Но идеального баланса не существует, приходится выбирать и пока это делает человек.
Кроме того, существующие архитектуры и методы решения не позволяют научить ИИ ставить себе новые цели, достигать их и оценивать качество результата. Пока то, что мы реально можем делать — это самый слабый ИИ, который будет имитировать человека, может быть, даже что-то делать лучше, например, играть в шахматы.
Еще один момент – ограниченный доступ к высокопроизводительным вычислительным ресурсам, отсутствие квантового компьютера и ограничения по принципам работы суперкомпьютеров. Для понимания, стоимость обучения полноценной модели, которая может обыграть человека в StarCraft, где-то $30 млн. Как вы понимаете, обычный исследователь не в состоянии получить доступ к обучению такой модели, а в случае больших языковых моделей, то даже и к запуску обученной модели из открытых источников.
— Из чего складывается такая стоимость обучения?
— Это ресурсы на облачные вычисления. Не только железо, но и необходимость построить кластер, дополнительное программное обеспечение, которое позволяет распараллелить вычисления, сделать их эффективными.
Последняя модель, которую сейчас китайцы хотят выложить, насколько я помню, с более чем 100 трлн параметров — это астрономическая сумма для обучения нейронных сетей на 90 тыс. видеокарт, и писалось отдельное программное обеспечение, чтобы просто наладить весь этот комплекс кластеров. Это требует огромных вложений ресурсов, требует возможности производить процессоры, которые адаптируются под обучение нейронных сетей, и иметь еще навыки для того, чтобы это все связывать в единое программное обеспечение, которое интегрируется современными моделями.
— Сколько примерно гигабайт данных нужно, чтобы обучить самую простую нейросеть?
— Обычно измеряются данные не в гигабайтах, а в количествах тех же изображений или сэмплов для обучения. Например, чтобы распознавать десять цифр рукописных, нужно очень мало данных. В целом 10 рукописных цифр можно распознать на 1000 изображений.
В большинстве случаев подразумевается, что для того, чтобы нейросеть работала нормально, вам нужно иметь сбалансированную выборку данных, и чем они вариативнее, тем лучше.
Например, мы хотим, чтобы нейросеть определяла по губам, что я говорю и как. Тогда нам нужно большое количество данных с условиями освещения. А если я буду в очках, что произойдет? Если нейросеть никогда меня в очках не видела, она эмоции, которые я передаю, не распознает — ей неоткуда взять эту информацию, соответственно, мы не можем гарантировать, что она будет правильно работать.
— Много ли существует русскоязычных датасетов?
— Их гораздо меньше, чем на английском.
Все же основные публикации сейчас делаются в англоязычных странах. Работы российских ученых составляют, по самым оптимистичным оценкам, меньше 5% от мирового числа публикаций в ведущих конференциях и журналах по искусственному интеллекту.
На практике я бы сказал, что количество русскоязычных датасетов тоже менее 5%.
— В связи с недостатком русскоязычных датасетов, возникают ли проблемы с обучением нейросетей в России?
— Это не проблема, это называется технологическое отставание. Недавно исследовательские группы внутри Сбера и «Яндекса» выложили русскоязычные языковые модели, и это существенный шаг вперед, потому что до этого у нас были только большие англоязычные модели, приходилось их дообучать на русский язык.
— Вы работали над моделью, которая предсказала развитие персонажей в серии книг о «Звездных войнах». Можете о ней рассказать?
— Да, была такая статья. Мы даже не предсказывали, а больше анализировали книги. Мне нравятся «Звездные войны», поэтому я, кажется, прочитал все книжки, которые переводились на русский. Что меня в свое время поразило — все сценарии написаны более или менее под копирку.
Мы научились извлекать граф персонажей — самих персонажей из книги, то как они встречаются в книге, как друг с другом взаимодействуют, насколько часто. Дальше то же самое делалось относительно локаций — привязывали действия персонажей к локации.
Построив такой мультимодальный граф, можно извлекать статистику и кластеризовывать книги. В целом, это некоторый задел на то, что нейросеть может целиком создать сценарий для фильма или книгу, не без помощи человека, конечно.
Генерация сюжетов, произведений для фильмов — за этим тоже будущее. Я не разделяю мнение общественности, что развитие ИИ не приведет к изменению ситуации на рынке труда. Творческие профессии в каком-то смысле будут вынуждены трансформироваться.
Например, уже есть нейросеть, которая может в стиле Ван Гога раскрасить вашу собачку. То же самое будет происходить с литературой. Ее и так слишком много, люди перестают все читать, очень большая конкуренция в этой области. Когда туда придет компьютер, люди должны будут учиться работать с ним и пользоваться им как инструментом.
Недавно группа исследователей AGI NLP из SberDevices под руководством Татьяны Шавриной приняла участие в создании книги, в которой половина рассказов написана человеком, а половина — нейросетью. При этом люди, читая книгу, путают человека и машину, не могут отличить, кто писал тот или иной рассказ. Грубо говоря, нейросеть проходит тест Тьюринга — неотличимость от человека. Это прекрасно для разработчиков, и потенциально – вызов для авторов.
— Мы сейчас говорим о слабом интеллекте? Сильный искусственный интеллект тогда сможет заменить Стивена Кинга?
— В целом да. Слабый тоже может заменить Стивена Кинга. Что он не сможет сделать, это создать какую-то личность, но он сможет сымитировать его стиль изложения. Создать бренд для цифрового аватара – то, чем сейчас активно занимаются специалисты в цифровом маркетинге.
— Какими исследованиями вы еще занимаетесь?
— У нас есть несколько проектов, которые посвящены различным аспектам использования ИИ в промышленности. Наверное, самый интересный проект с точки зрения промышленности, это цифровые двойники. Я расскажу про два конкретных кейса, на которых мы сфокусированы.
Первый из них — поиск и предсказание разладок в химических процессах на заводе по переработке сырья. Есть огромное количество сенсоров, которые описывают процессы производства. Это датчики температуры, давления и им подобные. Имея представление о нормальном производственном процессе, можно предсказывать аномальные состояния, размечать эти аномальные состояния, предсказывать их чисто по сенсорным данным.
В некоторых случаях это можно делать даже предиктивно — ты можешь предсказывать, что через столько-то тактов измерений у тебя произойдет отклонение в сторону. Вот это и делает наш ИИ.
Второй кейс — «светофор», или индикатор здоровья оборудования. У оборудования есть износ, и подразумевается, что оборудование какое-то время должно работать нормально, а потом может начать барахлить или отклоняться от плановых показателей работы. Формулируется задача — оценивать состояние этого оборудования, его «здоровье».
Зеленая зона — все хорошо, прибор работает в штатном режиме. Желтая — есть некоторые тренды в сторону аномального поведения, возможно, прибор нужно остановить, разобрать, смазать маслом, провести техническое обслуживание, и дальше он вернется в зеленую зону. Красная зона, когда есть явное предсказание того, что произойдет поломка или явное отклонение в производительности, например, снижение на 20% скорости относительно номинальной или заданной. Все эти показатели можно предсказывать по данным оборудования, которые собираются с различных сенсоров.
Если вы видели пульты управления сложными технологическими стеками, вы понимаете, что там огромное количество индикаторов, кнопок. Я могу только восхищаться людьми, которые работают в таких центрах управления, но нужно понимать, что если вы им позволите фокусировать внимание на реальных проблемах, будете объяснять, что происходит, они будут принимать решения более эффективно. От этого выиграет и компания, и разработчики ИИ порадуются тому, что наконец искусственный интеллект служит во благо промышленности.
— Эти две модели можно адаптировать под любой вид производства, или они нацелены только на какой-то конкретный?
— Да, под любое производство, где есть сенсоры, которые описывают состояние процесса и которых достаточно для моделирования. Если будет только датчик температуры, то мы мало что сможем сделать. Но в целом этот подход универсальный. Он требует донастройки в каждом конкретном кейсе, когда мы говорим о внедрении, но все-таки это универсальные методы.
— Сколько примерно будет стоить внедрение такого ИИ на производство?
— Мы как институт являемся некоммерческой организацией, занимаемся в большей степени исследованиями и некоммерческим консалтингом внедрения. Если говорить о внешнем опыте, обычно проекты по внедрению и тестированию систем могут стоить от нескольких десятков миллионов рублей до существенно больших сумм, когда рассматривается полный цикл интеграции.
— Что вы скажете о наличии квалифицированных кадров в России? Много ли дата-сайентистов?
— В целом, университетское образование даже в большинстве ведущих вузов отстает от темпов, которыми нужно обучать студентов, чтобы они могли работать хотя бы не на начальных позициях. Студент на выпуске не только не готов и не умеет писать код в продакшене, но еще по многим программам отстает от бурного развития науки.
Сейчас время, когда по машинному обучению невозможно привести учебник, прочитав который, как в школе, выучив какой-то материал, ты можешь считаться специалистом. Тебе нужно постоянно читать статьи, постоянно совершенствоваться, чтобы быть в тренде. Если ты год ничего не делал, ты морально устарел, и твои навыки и умения не котируются на рынке.
В этом плане индустриальные академии, которые запускают крупные компании, готовят специалистов, которые могут работать сразу после выпуска, у которых есть практические и теоретические навыки. На базе вуза с фиксированной программой, редкой аккредитации и медленным процессом внесения изменений в образовательную программу, это сделать практически нереально. В основном все делается на личном энтузиазме отдельных руководителей и преподавателей.
— Я правильно понимаю, что мало того, что у нас в принципе программ, которые готовят таких специалистов, мало, так еще выпускников из вузов нужно доучивать?
— Компании хотят брать готовых к работе людей, и часто они просто делают выбор в пользу тех, у кого есть опыт, кто самостоятельно изучал, больше делал.
Человек, который отлично отучился в вузе, скорее всего, без стажировки, без начального опыта не сможет попасть на хорошую позицию. Я бы не говорил, что совсем все плохо, но недостатки есть, каждому специалисту нужно с чего-то начинать.
На Летнюю школу по ИИ, которую мы проводим для студентов и аспирантов, подало заявки более 900 человек со всей страны. Молодежь стремится к развитию своих умений и хочет быть конкурентной как можно скорее. Этому и должны способствовать ведущие образовательные и научные центры.