Tiek plaši uzskatīts, ka līdz ar jaunākajiem sasniegumiem mākslīgā intelekta pētījumos dzīvās un inteliģentās mašīnas drīz nonāks pie horizonta. Automašīnas labāk nekā mēs saprot balss komandas, atšķir attēlus, brauc ar automašīnām un spēlē spēles. Cik ilgi atliek gaidīt, kamēr viņi sāks iet starp mums?
Nesen publicētais Baltā nama ziņojums par mākslīgo intelektu ieņem skeptisku nostāju. Tajā teikts, ka nākamajos 20 gados mēs maz ticams, ka redzēsim mašīnas, kuru "intelektuālās spējas ir līdzīgas vai pārspēj cilvēka spējas", bet nākamajos gados "mašīnas sasniegs cilvēka spējas arvien vairāk un vairāk uzdevumu veikšanai". Tomēr šajā ziņojumā trūkst dažas svarīgas lietas.
Mākslīgā intelekta pētnieks Ārends Hintze apgalvo, ka ziņojumā galvenā uzmanība tiek pievērsta tikai "garlaicīgam AI veidam". Teikuma vidū tas pārtrauc milzīgu AI pētniecības nozari, kā evolūcija palīdz mums attīstīt arvien labākas AI sistēmas un kā skaitļošanas modeļi palīdz mums saprast mūsu pašu cilvēka intelekta attīstību.
Ziņojumā galvenā uzmanība tiek pievērsta, kā saka zinātnieks, galvenajiem AI rīkiem: mašīnmācīšanās un dziļa mācīšanās. Šāda veida tehnoloģija ļāva robotiem labi spēlēt viktorīnas un pārspēt spēles go meistarus. Šīs sistēmas var apstrādāt milzīgu datu daudzumu un ļoti ātri veikt sarežģītus aprēķinus. Bet viņiem trūkst elementa, kas būs galvenais viedo mašīnu izveidē, kuras mēs vēlētos iegūt nākotnē.
Lai mācītos, mums vajag vairāk nekā mašīnu mācīšanu. Mums jāpārvar robežas, kas nosaka četrus dažādus mākslīgā intelekta veidus. Barjeras, kas nošķir mašīnas no mums - un mūs no tām.
I tipa I: reaktīvās mašīnas
Pamata AI veidi ir ļoti reaģējoši un nevar veidot atmiņas vai izmantot iepriekšējo pieredzi, lai informētu par pašreizējiem lēmumiem. Deep Blue, šahu spēlējošais superdators IBM, kas deviņdesmito gadu beigās pārspēja lielmeistaru Gariju Kasparovu, ir lielisks šāda veida mašīnu piemērs.
Reklāmas video:
Deep Blue var noteikt gabalus uz šaha dēļa un zina, kā tie pārvietojas. Viņš var prognozēt kustības, gan savas, gan pretinieku kustības. Un viņš izvēlas pēc iespējas optimālākos gājienus.
Tomēr viņam nav ne jausmas par pagātni un atmiņu par notikušo. Papildus reti izmantotajam šaha noteikumam, kas neatkārto vienu un to pašu gājienu trīs reizes, Deep Blue līdz šim visu ignorē. Viņš tikai skatās uz šaha galdiņa gabaliņiem un izvēlas nākamo gājienu.
Šis izlūkošanas veids ietver datoru, kas tieši uztver pasauli un darbojas, pamatojoties uz redzēto. Viņš nepaļaujas uz pasaules iekšējo jēdzienu. Savā darbā AI pētnieks Rodnijs Brūkss apgalvoja, ka mums vajadzētu būvēt tikai šādas mašīnas. Pēc viņa domām, cilvēki nav pārāk labi, lai datoriem ieprogrammētu precīzas simulētas pasaules, kā viņi saka, lai izveidotu "reprezentāciju", pasaules pārstāvību.
Mūsdienu viedajām mašīnām, kuras mēs apbrīnojam, vai nu nav šāda pasaules jēdziena, vai arī tā ir ļoti ierobežota un nodarbojas ar noteiktiem uzdevumiem. Deep Blue dizaina jaunievedums nebija par datoru iespējamo kustību skaita palielināšanu. Tā vietā izstrādātāji ir atraduši veidu, kā sašaurināt viņa redzējumu, izmest dažus iespējamos pasākumus nākotnē atkarībā no tā, kā tie tiek vērtēti.
Tāpat AlphaGo Google, kas Go pārspēja pasaules čempionu, nekādi nevar novērtēt iespējamos nākotnes gājienus. Tās analīzes metode ir sarežģītāka nekā Deep Blue: spēles novērtēšanai tā izmanto neironu tīklu.
Šīs metodes uzlabo AI sistēmu iespējas, ļauj noteiktām spēlēm spēlēt labāk, taču tās nav viegli mainīt vai pielietot citās situācijās. Šāda veida datora iztēlēm nav pasaules jēdziena kopumā - tas nozīmē, ka viņi nevar pārsniegt konkrētos uzdevumus, kuru dēļ tie ir radīti, un tos viegli apmānīt.
Viņi nevar interaktīvi piedalīties pasaulē, un mēs vēlētos kādu dienu redzēt tieši šādas AI sistēmas. Tā vietā mašīnas rīkosies tieši tā, kā vienmēr rīkojas, saskaroties ar tādu pašu situāciju. Ja mēs vēlamies padarīt AI sistēmu uzticamu un uzticamu, tad tā ir laba lieta: jūs vēlētos, lai jūsu autonomais transportlīdzeklis būtu uzticams. Bet, ja mēs vēlamies, lai mašīnas mijiedarbotos ar mums un pasauli, tas ir slikti. Vienkāršākās AI sistēmas nekad neapnīk, tās nevar ieinteresēt vai satraukt.
II tipa AI: ierobežota atmiņa
II tips ietver mašīnas, kuras var ielūkoties pagātnē. Pašpiedziņas automašīnas to jau nedaudz spēj. Piemēram, viņi novēro citu transportlīdzekļu ātrumu un virzienu. To nevar izdarīt vienlaikus, tāpēc jums ir jāidentificē konkrēti objekti un laika gaitā tie jāievēro.
Šie novērojumi tiek pievienoti pašbraucošo automašīnu iepriekš ieprogrammētajiem pasaules attēlojumiem, kas ietver ceļa marķējumu, luksoforus un citus kritiskos elementus. Viņi savienojas, kad automašīna nolemj mainīt joslu un nesaduras ar citu.
Bet šie vienkāršie informācijas gabali par pagātni ir tikai īslaicīgi. Tie netiks saglabāti kā daļa no transportlīdzekļu pieredzes bibliotēkas, kurā tā var iemācīties, kā to dara cilvēki autovadītāji, gadu gaitā krājot pieredzi braukšanas laikā.
Kā mēs veidojam AI sistēmas, kas veido pilnīgus attēlojumus, atceras mūsu pieredzi un iemācās tikt galā ar jaunām situācijām? Brūkai bija taisnība, ka to izdarīt ir ļoti grūti. Varbūt ir vērts meklēt iedvesmu Darvina evolūcijā?
AI tips III: prāta teorija
Šeit mums ir nepieciešams īslaicīgi apstāties un nosaukt šo brīdi par svarīgu plaisu starp mūsu rīcībā esošajām mašīnām un mašīnām, kuras mēs vēlētos būvēt nākotnē. Tomēr vispirms ir jāprecizē viedokļi, kas mašīnām būs jārada.
Nākamās, progresīvākās klases mašīnas veido ne tikai pasaules, bet arī citu pasaules aģentu vai vienību attēlojumus. Psiholoģijā to sauc par "prāta teoriju" - izpratni, ka cilvēkiem, būtnēm un priekšmetiem pasaulē var būt domas un emocijas, kas ietekmē viņu pašu uzvedību.
Tas ir svarīgi tam, kā mēs, cilvēki, veidojam sabiedrību, jo tā mums nodrošina sociālo mijiedarbību. Nesaprotot otra motīvus un nodomus un neņemot vērā to, ko kāds cits zina par mani vai apkārtējo vidi, kopā strādāt ir labākajā gadījumā grūti un sliktākajā gadījumā neiespējami.
Ja AI sistēmas patiešām kādreiz klīst starp mums, tām vismaz pieņēmumu līmenī būs jāsaprot, ko mēs domājam un jūtam. Un attiecīgi pielāgojiet savu uzvedību.
IV AI veids: pašapziņa
Mākslīgā intelekta izstrādes galvenais mērķis ir izveidot sistēmas, kas var veidot paštēlus. Galu galā AI pētniekiem ir ne tikai jāsaprot apziņa, bet arī jāizveido mašīnas ar apziņu.
Tas savā ziņā ir “prāta teorijas” paplašinājums, kas tika pieminēts iepriekšējā AI mākslā. Runājot par apziņu, mēs domājam arī pašapziņu. “Es gribu šo lietu” atšķiras no “es zinu, ka es gribu šo lietu”. Apzinātas būtnes apzinās sevi, apzinās savus iekšējos stāvokļus un var paredzēt citu uzvedību vai jūtas. Mēs pieņemam, ka kāds, kurš signalizē par mums satiksmē, ir dusmīgs vai nepacietīgs, jo tieši tā mēs varam justies viņa vietā. Bez prāta teorijas mēs nevarētu izdarīt šādus secinājumus.
Lai gan mēs, iespējams, esam tālu no pašapzinīgu mašīnu veidošanas, mums jākoncentrējas uz ceļu uz atmiņas izpratni, mācīšanos un spēju pieņemt lēmumus par iepriekšējo pieredzi. Tas ir svarīgs solis ceļā uz paša cilvēka prāta izpratni. Un tas ir ļoti svarīgi, ja mēs vēlamies izstrādāt vai attīstīt mašīnas, kas var ne tikai klasificēt to, ko viņi redz mūsu priekšā, bet arī daudz ko citu.
ILYA KHEL