Pērn mākslīgais intelekts AlphaGo šajā spēlē pirmo reizi pārspēja pasaules čempionu. Šī uzvara bija nebijusi un negaidīta, ņemot vērā Ķīnas galda spēles lielās grūtības. Lai gan AlphaGo uzvara bija noteikti iespaidīga, šī AI, kas kopš tā laika ir pārspējusi citus pasaules čempionus, joprojām tiek uzskatīta par “šauru” AI tipu - tādu, kas var pārspēt cilvēkus tikai ierobežotā uzdevumu jomā.
Tātad, kaut arī diez vai mēs spēsim pārspēt datoru Go vai šahā, neizmantojot cita datora palīdzību, mēs arī joprojām nevaram paļauties uz tiem ikdienas uzdevumu veikšanā. AI neliks jums tēju vai ieplānot MOT jūsu automašīnai.
Pretēji tam AI zinātniskajā fantastikā bieži tiek attēlots kā “vispārējs” mākslīgais intelekts. Tas ir, mākslīgais intelekts ar tādu pašu līmeni un dažādību kā cilvēks. Kaut arī mums jau ir dažādi mākslīgā intelekta veidi, kas var darīt visu, sākot no slimību diagnosticēšanas un beidzot ar automašīnu vadīšanu, mēs vēl neesam spējuši izdomāt, kā tos integrēt vispārīgākā līmenī.
Pagājušajā nedēļā DeepMind pētnieki iesniedza vairākus dokumentus, kas apgalvo, ka tie liek pamatus vispārējam mākslīgajam intelektam. Lai gan vēl nav secinājumu, pirmie rezultāti ir iepriecinoši: dažās jomās AI jau ir pārspējis cilvēkus pēc spējām.
Abas DeepMind darbs koncentrējas uz relatīvu spriešanu, kritisku izziņas spēju, kas ļauj cilvēkiem salīdzināt dažādus objektus vai idejas. Piemēram, lai salīdzinātu, kurš objekts ir lielāks vai mazāks, kurš ir kreisajā pusē un kurš labajā pusē. Cilvēki izmanto relatīvu (vai relāciju) spriešanu katru reizi, kad mēģina atrisināt kādu problēmu, taču zinātniekiem vēl nav izdomāts, kā piešķirt AI šo mānīgi vienkāršo spēju.
DeepMind zinātnieki ir izvēlējušies divus dažādus maršrutus. Daži apmācīja neironu tīklu - AI arhitektūras tipu, kas veidots pēc cilvēka smadzenēm - izmantojot vienkāršu, statisku 3D objektu datu bāzi, ko sauc par CLEVR. Citu neironu tīklu iemācīja saprast, kā laika gaitā mainās divdimensiju objekts.
CLEVR neironu tīklu pārstāvēja vienkāršu dizainu kopums, piemēram, piramīdas, klucīši un lodes. Pēc tam zinātnieki uzdeva jautājumus par mākslīgo intelektu dabiskā valodā, piemēram, "vai kubs ir izgatavots no tāda paša materiāla kā cilindrs?" Pārsteidzoši, ka neironu tīkls 95,5% gadījumu spēja pareizi novērtēt CLEVR relāciju atribūtus, pārspējot pat cilvēku ar 92,6% precizitāti šajā parametrā.
Otrajā testā DeepMind pētnieki izveidoja Vizuālās mijiedarbības tīkla (VIN) neironu tīklu, kas tika apmācīts prognozēt objekta nākotnes stāvokļus video, atkarībā no tā iepriekšējām kustībām. Lai to izdarītu, zinātnieki vispirms baro VIN trīs video kadrus pēc kārtas, kurus tīkls pārtulkoja kodā. Šajā kodā katram rāmī esošajam objektam bija vektoru saraksts - objekta ātrums vai atrašanās vieta. Pēc tam VIN tika ievadīta citu kodu virkne, kas apvienojās, lai paredzētu nākamā kadra kodu.
Reklāmas video:
Lai apmācītu VIN, zinātnieki izmantoja piecu dažādu veidu fizikas sistēmas, kurās 2D objekti pārvietojās uz "dabisko attēlu" fona un sadūrās ar dažādiem spēkiem. Piemēram, vienā fiziskajā sistēmā imitētie objekti mijiedarbojās viens ar otru saskaņā ar Ņūtona gravitācijas likumu. Citā tika parādīts neironu tīkls ar biljardu un izveidots, lai paredzētu bumbiņu atrašanās vietu nākotnē. Pēc zinātnieku domām, VIN tīkls veiksmīgi tika galā ar videoklipā redzamo objektu uzvedības prognozēšanu.
Šis darbs ir svarīgs solis ceļā uz vispārējo AI, taču vēl ir daudz darāmā, lai mākslīgais intelekts varētu pārņemt pasauli. Un turklāt pārcilvēciska izrāde nenozīmē pārcilvēcīgu saprātu.
Pagaidām ne, vienalga.
ILYA KHEL
