Nesen publikācijas par mākslīgā intelekta rašanās perspektīvām kļūst arvien biežākas. Tiek apskatīti cilvēces līdzāspastāvēšanas praktiskie un morāli ētiskie aspekti ar viņu. Cik savlaicīgi notiek šīs diskusijas? Vai tiešām varam gaidīt "domājošu mašīnu" parādīšanos?
Visus mākslīgā intelekta radīšanas projektus var aptuveni sadalīt divās jomās. Pirmais ir datu bāzu uzkrāšana un apstrāde ar programmām, kas imitē cilvēka smadzeņu darbību. Otrais ir balstīts uz intelektuālās uzvedības modeļu izpēti. Galvenais abu trūkums ir tas, ka mēs joprojām pietiekami labi nezinām, kas ir prāts un intelektuālā uzvedība, un cilvēka smadzenes, atklāti sakot, sāka nopietni pētīt salīdzinoši nesen.
Pastāv viedoklis, ka problēmu var apiet kiborgu dēļ, tas ir, saplūstot dzīvām smadzenēm (pērtiķim un nākotnē - cilvēkam) ar datoru, tomēr šis ceļš ir pilns ar milzīgām grūtībām, un, vēl sliktāk, šajā gadījumā par to nebūs iespējams runāt. pilns mākslīgais intelekts.
Tomēr zinātnieki uzskata, ka ir diezgan reāli pārlēkt vairākos soļos, ļaujot mākslīgajam intelektam patstāvīgi attīstīties - tāpat kā tas attīstījās dzīvā dabā, ar atšķirību, ka tā evolūcija notiks virtuālajā, nevis materiālajā telpā. Šeit derība tiek likta uz mākslīgiem neironu tīkliem vai neironu tīkliem (mākslīgais neironu tīkls).
Atcerēsimies, kas ir neirons. Šis ir nervu šūnas nosaukums, kas no citām šūnām atšķiras ar to, ka tā spēj uzglabāt un pārraidīt informāciju ar elektrisko un ķīmisko signālu palīdzību. Neironu funkcija tika atklāta 19. gadsimta beigās, kas, protams, bija to materiālistu rokās, kuri tajā laikā ieguva autoritāti visā pasaulē: viņi nekavējoties paziņoja, ka "dvēsele" satur neironus. Līdz ar to rodas ideja, ka, ja kaut kā izaudzēsit precīzu smadzeņu kopiju, tad tajās piedzims “dvēsele”. Bet radās filozofisks jautājums: vai ir iespējams bez iemesla runāt par “dvēseli”? Galu galā tas ir audzināšanas produkts, kā parādīja pētījums par "Mowgli" - cilvēku bērniem, kurus audzina dzīvnieki. Attiecīgi nepietiek ar smadzeņu kopijas izveidošanu - tas joprojām ir "jāapmāca", lai iegūtu inteliģenci.
TEHNISKĀ Smalka
Parasta pieauguša cilvēka smadzenēs ir aptuveni 86 miljardi neironu. Ne tik sen ideja izveidot tā digitālo analogu šķita absolūti fantastiska. Tomēr šodien, attīstoties informācijas tehnoloģijai, tas jau šķiet diezgan sasniedzams.
Reklāmas video:
Jāatceras, ka slavenais amerikāņu matemātiķis Norberts Vīners, kibernētikas "tēvs", tiek uzskatīts par sarežģītu bioloģisko procesu, arī smadzeņu procesu, modelēšanas teorijas pamatlicēju. 1949. gadā kanādiešu psihologs Donalds Hebs, domāšanas procesu izpētes speciālists, balstoties uz Vīnera aprēķiniem, sastādīja pirmo neironu tīklu apmācības algoritmu (starp citu, vienā reizē Hebs kalpoja CIP, kur risināja smadzeņu skalošanas problēmu).
1957. gadā mākslīgā intelekta teorētiķis amerikānis Frenks Rozenblatts, balstoties uz savu iepriekšējo darbu, izveidoja perceptrona loģisko shēmu - smadzeņu pašmācības kibernētisko modeli, kas trīs gadus vēlāk tika ieviests, pamatojoties uz elektronisko datoru Mark-1. Perceptrons pārraida signālus no fotoelementiem (sensoriem, S-šūnām) uz nejauši savienotiem elektromehāniskās atmiņas elementu blokiem. Ja viena no šūnām saņem signālu, kas pārsniedz sliekšņa vērtību, tad tas ar noteiktu koeficientu (AR savienojuma “svaru”) pārsūta to tālāk - papildinātājam (R elements). Atkarībā no signāla summas, kas reizināta ar svara koeficientiem, papildinātājs izvada vienu no trim iespējamiem rezultātiem visas sistēmas izejā: -1, 0 un +1. Perceptrona apmācība notiek svara koeficientu ieviešanas posmā. Piemēram,mēs novietojam “kvadrātveida” figūru fotoelementu priekšā un iestatām noteikumu: kad redzes laukā parādās kvadrāts, perceptronam jādod pozitīvs rezultāts (+1), un, kad parādās kāds cits objekts, negatīvs (-1). Tad mēs mainām objektus pa vienam un pielāgojam svarus, kad parādās kvadrāts pieauguma virzienā, bet, ja tāda nav - samazināšanas virzienā. Rezultātā mēs iegūstam unikālu svara koeficientu vērtību masīvu sistēmā jebkuram kvadrāta izskata variantam, un nākotnē mēs to varēsim izmantot kvadrātu atpazīšanai. "Mark-1", neraugoties uz tā primitivitāti salīdzinājumā ar mūsdienu datoriem, varēja atpazīt ne tikai ģeometriskas formas, bet arī alfabēta burtus un rakstīt dažādos rokrakstos.kad redzamības laukā parādās kvadrāts, perceptronam vajadzētu dot pozitīvu rezultātu (+1), un, kad parādās kāds cits objekts, negatīvu (-1). Tad mēs mainām objektus pa vienam un pielāgojam svarus, kad parādās kvadrāts pieauguma virzienā, bet, ja tāda nav - samazināšanas virzienā. Rezultātā mēs iegūstam unikālu svara koeficientu vērtību masīvu sistēmā jebkuram kvadrāta izskata variantam, un nākotnē mēs to varēsim izmantot kvadrātu atpazīšanai. "Mark-1", neraugoties uz tā primitivitāti salīdzinājumā ar mūsdienu datoriem, varēja atpazīt ne tikai ģeometriskas formas, bet arī alfabēta burtus un rakstīt dažādos rokrakstos.kad redzamības laukā parādās kvadrāts, perceptronam vajadzētu dot pozitīvu rezultātu (+1), un, kad parādās kāds cits objekts, negatīvu (-1). Tad mēs mainām objektus pa vienam un pielāgojam svarus, kad parādās kvadrāts pieauguma virzienā, bet, ja tāda nav - samazināšanas virzienā. Rezultātā mēs iegūstam unikālu svara koeficientu vērtību masīvu sistēmā jebkuram kvadrāta izskata variantam, un nākotnē mēs to varēsim izmantot kvadrātu atpazīšanai. "Mark-1", neraugoties uz tā primitivitāti salīdzinājumā ar mūsdienu datoriem, varēja atpazīt ne tikai ģeometriskas formas, bet arī alfabēta burtus un rakstīt dažādos rokrakstos. Tad mēs mainām objektus pa vienam un pielāgojam svarus, kad parādās kvadrāts pieauguma virzienā, bet, ja tāda nav - samazināšanas virzienā. Rezultātā mēs iegūstam unikālu svara koeficientu vērtību masīvu sistēmā jebkuram kvadrāta izskata variantam, un nākotnē mēs to varēsim izmantot kvadrātu atpazīšanai. Mark-1, neskatoties uz tā primitivitāti salīdzinājumā ar mūsdienu datoriem, varēja atpazīt ne tikai ģeometriskas formas, bet arī alfabēta burtus, turklāt rakstītus dažādos rokrakstos. Tad mēs mainām objektus pa vienam un pielāgojam svarus, kad parādās kvadrāts pieauguma virzienā, bet, ja tāda nav - samazināšanas virzienā. Rezultātā mēs iegūstam unikālu svara koeficientu vērtību masīvu sistēmā jebkuram kvadrāta izskata variantam, un nākotnē mēs to varēsim izmantot kvadrātu atpazīšanai. Mark-1, neskatoties uz tā primitivitāti salīdzinājumā ar mūsdienu datoriem, varēja atpazīt ne tikai ģeometriskas formas, bet arī alfabēta burtus, turklāt rakstītus dažādos rokrakstos. Rezultātā mēs iegūstam unikālu svara koeficientu vērtību masīvu sistēmā jebkuram kvadrāta izskata variantam, un nākotnē mēs to varēsim izmantot kvadrātu atpazīšanai. "Mark-1", neraugoties uz tā primitivitāti salīdzinājumā ar mūsdienu datoriem, varēja atpazīt ne tikai ģeometriskas formas, bet arī alfabēta burtus un rakstīt dažādos rokrakstos. Rezultātā mēs iegūstam unikālu svara koeficientu vērtību masīvu sistēmā jebkuram kvadrāta izskata variantam, un nākotnē mēs to varēsim izmantot kvadrātu atpazīšanai. "Mark-1", neraugoties uz tā primitivitāti salīdzinājumā ar mūsdienu datoriem, varēja atpazīt ne tikai ģeometriskas formas, bet arī alfabēta burtus un rakstīt dažādos rokrakstos.
SMARTAS lietas
Protams, kopš tā laika ir parādījušās daudz sarežģītākas shēmas, algoritmi un perceptronu varianti. Neskatoties uz to, šai pieejai neironu tīkla modeļa organizēšanai ir fundamentāli ierobežojumi: piemēram, perceptroni ir bezspēcīgi, lai atrisinātu problēmu sadalīt figūru atsevišķās daļās vai noteikt figūru relatīvo stāvokli.
Kad kļuva skaidrs, ka mākslīgo intelektu nav iespējams veidot, pamatojoties uz uztverēm, interese par tiem samazinājās. Neskatoties uz to, 80. gadu sākumā parādījās jauni pašmācības un pašorganizējošu neironu tīklu varianti: Hopfield tīkls, Hemming tīkls, Kohonen tīkls, Jordānijas tīkls un citi. 1986. gadā notika sava veida revolūcija: padomju un amerikāņu zinātnieki izstrādāja reproducēšanas metodi (iteratīvā gradienta algoritms), kas ļāva pārvarēt iepriekš atklātos ierobežojumus. Pēc tam neironu tīkli strauji attīstījās, un tas nekavējoties tika ieviests lietišķajās datorprogrammās.
Mūsdienu programmatūras paketes, kas izveidotas uz mākslīgo neironu tīklu bāzes, spēj patvaļīgi atpazīt sarežģītus tekstus, skaņas komandas, sejas, žestus un sejas izteiksmes. Tomēr šie ir tikai vienkāršākie lietošanas gadījumi, ir arī neparastāki. Pašmācības autopiloti, kas spēj reaģēt uz katastrofisku situāciju attīstību agrāk nekā piloti. Biržas inspektori, kas identificē aizdomīgus darījumus akciju tirgos. Tīkla reklāmas aģenti, kas izseko potenciālo klientu vēlmes. Medicīniskās diagnostikas speciālisti, kas nosaka patoloģijas zīdaiņiem.
Ir skaidrs, ka, uzlabojoties informācijas tehnoloģijām, neironu tīkli arī kļūs sarežģītāki. Viņi pārvaldīs visu sadzīves tehniku un dzīvības atbalstu mājām, rūpnīcām un lielveikaliem. Viņi var uzraudzīt draudus, analizēt tendences un sniegt padomus, piemēram, par naudas optimālu ieguldījumu. Viņi pat spēs radīt mākslas objektus: tur jau ir gleznas un dzejoļi, ko rakstījuši neironu tīkli!
SLOVĒRIJA VAI DRAUGS?
Faktiski viss nonāk pie tā, ka neironu tīkls kādreiz kļūs par neaizvietojamu palīgu tūkstoš lielos un mazos jautājumos. Futūristi no tā baidās. Viņi uzskata, ka kādā brīdī kvantitāte pārvērtīsies kvalitātē, neironu tīklos radīsies mākslīgais intelekts, kas nekavējoties izaicinās cilvēci un iznīcinās to. Ir iespējama arī cita iespēja - cilvēki kļūs tik atkarīgi no neironu tīkla pieņemtajiem lēmumiem, ka paši nepamanīs, kā viņi pārvērtīsies par tā vergiem.
Biedējošie scenāriji, piemēram, šie, šķiet pārāk dīvaini. Fakts ir tāds, ka neironu tīkli sākotnēji tiek veidoti tā, lai pielāgotos konkrētas personas vai cilvēku grupas vajadzībām. Viņi var palīdzēt izlabot kļūdu vai dot padomu, izcelt problēmu vai pamanīt maldināšanu, taču viņi paši nespēj izvēlēties starp līdzvērtīgiem variantiem, jo mēs (diemžēl vai par laimi) viņiem nespēsim iemācīt galveno - morāli. Tāpēc neironu tīkli vienmēr būs kā mājas suņi - paklausīgi, lojāli un draudzīgi.
Antons Pervušins