Искусственный интеллект — это помощник
Человеческое восприятие ограничено: мы не видим ультрафиолета и инфракрасных волн, не слышим тихих звуков и ультразвука, наша кратковременная память вмещает 5–9 объектов, а долговременная подвержена различным искажениям — например, воспоминания могут измениться под влиянием окружения.
Даже если бы у нас были развитые органы чувств, они всё равно представляли бы собой темницу из знаменитого мифа о пещере, узники которой прикованы так, что видят лишь смутные тени на одной из её стен — и только по этим теням могут судить о происходящем снаружи.
По Платону, пещера олицетворяет собой чувственный мир, в котором живут люди. Подобно узникам пещеры, они полагают, будто благодаря органам чувств познают истинную реальность. Но это всего лишь иллюзия. Подлинный мир во всём его богатстве и многообразии остаётся за пределами восприятия.
Способность мыслить компенсирует несовершенство чувств и позволяет проникать в суть вещей. Благодаря мышлению мы научились видеть то, что не видно глазу, и слышать то, что не слышно уху, узнали то, что недоступно восприятию, стали быстрее, сильнее и опаснее любого живого существа на планете.
Но у всего есть цена — у мышления тоже. Мозг взрослого человека составляет всего 2% от массы тела, но потребляет до 20% всей энергии. А чтобы подготовить одного учёного, требуются годы, и это не бесплатно — за образование платит либо он сам, либо государство.
Поэтому возникает вопрос: «Как бы всё это удешевить, автоматизировать, а ещё лучше — кому-нибудь делегировать?»
Изображение: мультфильм «Вовка в тридевятом царстве»
Развитие искусственного интеллекта в наши дни
Вполне адекватные идеи о том, как именно необходимо организовывать обучение ИИ, начали появляться еще в 50-х годах 20 века. Уже тогда известные деятели науки Марчиан Хофф, Бернард Видроу и Фрэнк Розенблатт пытались математическим языком объяснить, как устроены нейроны (естественно, исходя из биологических представлений того времени).
Исследователи понимали, что для решения проблемы развития ИИ недостаточно придумать пару уравнений; появились идеи о том, почему бы не попробовать применить большое количество связанных друг с другом уравнений. Безусловно, первые примеры были тривиальными, и компьютеру давали задачи наподобие анализа массивов нулей и единиц, поступающих через телефонную линию, с последующим предсказанием развития событий.
Долгие годы специалисты в области информатики считали, что такой подход не позволит решать сложные проблемы в будущем. Однако в настоящее время представленная концепция служит основой почти всех информационных систем, и применяется она такими гигантами как Microsoft, Google, Facebook, Amazon и другими.
Вспоминая прошлые десятилетия и первые шаги в области ИИ, ученые прекрасно понимают, что те компьютеры были слишком просты, чтобы с их помощью можно было моделировать нейронные сети головного мозга человека, а также то, что для обучения таких нейронных сетей требовались колоссальные объемы информации. Так вот два этих фактора (и вычислительные мощности, и соответствующие объемы данных) появились лишь в последнее десятилетие.
В середине 90-х известный на весь мир производитель видеокарт Nvidia обнаружил, что выпускаемые им графические процессоры можно успешно использовать для работы нейронных сетей, после чего начали выпускаться карты, специально заточенные под взаимодействие с ИИ. В процессе разработок удалось установить, что более сложные и быстрые нейронные сети выдают более точные результаты.
После этого, уже в 2009 году профессор компьютерных наук из Стэнфорда Фей-Фей Ли представила общественности уникальную базу данных под названием ImageNet, где содержалось свыше трех миллионов систематизированных и подписанных изображений. По мнению Ли, если снабдить алгоритмы как можно большим количеством примеров, они смогут осваивать более сложные концепции и идеи.
В 2012 году британский учёный-информатик, известный по своим работам в области глубинных нейронных сетей, Джеффри Хинтон применил базу данных ImageNet, чтобы обучать нейронную сеть. Результат был великолепным – ученый смог обойти все остальные приложения, а перевес точности составил свыше 10%.
Предсказания Фей-Фей Ли сбылись – объем данных стал основным параметром для развития ИИ. Хинтон же еще раз это подтвердил, устраивая конвейер из нейронных сетей, где первая занималась поиском текстур, вторая – фигур и т.д. Сейчас все это известно как глубокие нейронные сети (или как глубокое обучение ИИ), и все современные новшества в данной области завязаны именно на них.
Полученные специалистами по ИИ результаты произвели фурор как в научном мире, так и в области технологий. Ученые, еще вчера корпевшие над глубинными нейронными сетями, образно говоря, в подвалах, в одночасье превратились в супервостребованных специалистов. Уже к 2015 году многие компании, занятые в сфере информационных технологий, стали приглашать к себе профессионалов, способных разрабатывать и реализовывать проекты, в которых применяется машинное обучение.
Сегодня мы все чаще можем слышать о всевозможных инновациях и успехах, связанных с ИИ, и с каждым разом они становятся все серьезнее, все глубже внедряются в жизнь людей. Но в то время как одни радуются этому неоспоримому факту, других (в том числе и ученых) он наводит на довольно мрачные мысли.
Философия ИИ — это API и немного хакинга
Философию искусственного интеллекта можно сравнить с разработкой API — программного интерфейса приложения.
Упрощённо API — это описание способов, которыми одна программа может взаимодействовать с другой. Можно сказать, что рычаг переключения скоростей, педали газа и тормоза, индикаторы, спидометр, кнопки включения фар и поворотников — это API вашего автомобиля. Благодаря ему можно забыть о внутренней логике работы машины и взаимодействовать только с панелью управления.
Аналогично API философия ИИ — это множество разных «ручек» и «кнопок», которые можно вертеть и дёргать. Мы не знаем, как там всё внутри устроено, но если загрузить какие-то данные и понажимать на кнопки — получим результат.
Проблема в том, что технология искусственного интеллекта очень мощная и быстро растёт. Её внедрение способно радикально изменить любую отрасль, но не всегда в ожидаемом направлении:
- ИИ в Amazon улучшил показатели логистики, но при этом усилил контроль водителей и увеличил нагрузку на сотрудников складов, что изменило условия труда, — и далеко не все работники остались довольны.
- По тому же пути идёт и Яндекс, обнаруживший, что курьеры проводят по 15–18 минут в ожидании заказа, хотя «могли бы потратить это время на что-то более полезное».
- Алгоритмы Deepfake представляют новую угрозу для систем, использующих биометрические данные, а сами эти системы посягают на приватность и частную жизнь людей.
- Разделение ответственности при авариях автомобилей с функцией автопилота, вопрос «Кто был за рулём в момент гибели людей?» — один из камней преткновения в развитии транспортной отрасли.
С развитием ИИ получается такая же история, как если бы ваш автомобиль на ходу эволюционировал то в бульдозер, то в скейтборд, а то и вовсе в реактивный самолёт или в воздушный шар.
Скрытые и нереализованные возможности искусственного интеллекта тоже вызывают интерес философии, и это сближает её с хакингом. Философы как бы говорят: «Хорошо, раз ИИ неизбежен, давайте подумаем, какие у него могут быть особенности и уязвимости, и научимся использовать их, чтобы облегчить нам жизнь».
ИИ против ИИ. Изображение: Warner Bros.
Самые эпичные фейлы и провалы искусственного интеллекта собраны на сайте AI Incident Database. Его основной раздел называется Discover Incidents, там можно по ключевым словам найти информацию о происшествиях. А краткий обзор этой базы на русском есть на сайте проекта «Инфраструктура научно-исследовательских данных».
Отличие искусственного интеллекта от естественного
Интеллект можно определить как общую умственную способность к рассуждению, решению проблем и обучению
В силу своей общей природы интеллект интегрирует когнитивные функции, такие как восприятие, внимание, память, язык или планирование. естественный интеллект отличает осознанное отношение к миру
Мышление человека всегда эмоционально окрашено, и его нельзя отделить от телесности. Кроме того, человек — существо социальное, поэтому на мышление всегда влияет социум. ИИ не имеет отношения к эмоциональной сфере и социально не ориентирован.
Как сравнить человеческий и компьютерный интеллекты?
Сравнить мышление человека с искусственным интеллектом можно исходя из нескольких общих параметров организации мозга и машины. Деятельность компьютера, как и мозга, включает четыре этапа: кодирование, хранение, анализ данных и выдачу результата. Кроме того, мозг человека и ИИ могут самообучаться в зависимости от данных, полученных из окружающей среды. Также человеческий мозг и машинный интеллект решают проблемы (или задачи), используя определенные алгоритмы.
У компьютерных программ есть IQ?
Нет. Показатель IQ связан с развитием интеллекта человека в зависимости от возраста. ИИ в чем-то превышает некоторые человеческие способности, например может удерживать в памяти огромное количество цифр, но это не имеет отношения к IQ.
Что такое тест Тьюринга?Алан Тьюринг разработал эмпирический тест, который показывает, способна ли программа уловить все нюансы поведения человека до такой степени, что человек не сможет определить, с кем именно он общается — с ИИ или с живым собеседником. Тьюринг предложил, чтобы сторонний наблюдатель оценивал разговор между человеком и машиной, которая отвечает на вопросы. Судья не видит, кто именно отвечает, но знает, что один из собеседников — ИИ. Разговор ограничен только текстовым каналом (компьютерная клавиатура и экран), поэтому результат не зависит от способности машины отображать слова как человеческую речь. В случае, если программе удается обмануть человека, считается, что она эффективно справилась с тестом.Символьный подход
Символьный подход к ИИ — совокупность всех методов исследования искусственного интеллекта, основанных на высокоуровневых символических (читаемых человеком) представлениях о задачах, логике и поиске. Символьный подход широко применялся в исследованиях ИИ в 1950–80-х годах. Одной из популярных форм символьного подхода являются экспертные системы, использующие сочетание определенных правил производства. Производственные правила связывают символы в логические связи, которые подобны алгоритму If-Then. Экспертная система обрабатывает правила, чтобы сделать выводы и определить, какая дополнительная информация ей нужна, то есть какие вопросы задавать, используя удобочитаемые символы.
Логический подход
Термин «логический подход» предполагает апеллирование к логике, размышлениям, решению задач с помощью логических шагов. Логики еще в XIX веке разработали точные обозначения для всех видов объектов в мире и отношений между ними. К 1965 году существовали программы, которые могли решить любую логическую задачу (пик популярности данного подхода пришелся на конец 1950–70-х годов). Сторонники логического подхода в рамках логического искусственного интеллекта надеялись выстроить на таких программах (в частности, записанных на языке Prolog) интеллектуальные системы. Однако у такого подхода два ограничения. Во-первых, нелегко взять неформальное знание и изложить его в формальных терминах, которые требуются для обработки ИИ. Во-вторых, есть большая разница между решением проблемы в теории и ее решением на практике. Даже проблемы с несколькими сотнями фактов могут исчерпать вычислительные ресурсы любого компьютера, если у него нет каких-либо указаний относительно того, какие рассуждения надо использовать в первую очередь.
Агентно-ориентированный подход
Агент — это то, что действует (от лат. agere, «делать»). Конечно, все компьютерные программы что-то делают, но ожидается, что компьютерные агенты будут делать больше: работать автономно, воспринимать сигналы окружающей среды (с помощью специальных датчиков), адаптироваться к изменениям, создавать цели и выполнять их. Рациональный агент — это тот, кто действует так, чтобы достичь наилучшего ожидаемого результата.
Гибридный подход
Предполагается, что этот подход, который стал популярным в конце 80-х, работает наиболее эффективно, так как представляет собой сочетание символьных и нейронных моделей. Гибридный подход увеличивает когнитивные и вычислительные возможности машины.
Значение искусственного интеллекта
С тех пор как удалось добиться, чтобы ИИ умел распознавать простейшие объекты на изображениях и фрагменты речи на аудиозаписях, это начали применять в некоторых программах, где нужно принимать решения, что, собственно, и делал ранее человек. Например, появилась возможность автоматической отметки друзей на фото в соцсетях. Но дальше – больше: уже сейчас ИИ используется в автомобилестроении.
Современные беспилотные автомобили, которые начинают пользоваться популярностью у автолюбителей наиболее развитых стран, оснащены программами, помогающими водителям в распознавании других транспортных средств и дорожных знаков. А в сельхоз промышленности ИИ помогает при работе с урожаем – он идентифицирует испортившиеся плоды
Но важность ИИ нужно рассматривать и с несколько иной позиции
Работники множества областей выполняют десятки и сотни функций, связанных с тем же распознаванием изображений. Несложно догадаться, что людям за работу нужно платить деньги. А ИИ в свою очередь позволяет, во-первых, оптимизировать время, затрачиваемое человеком на выполнение той или иной работы, а во-вторых, полностью освободить человека от его работы, благодаря чему затраты бизнеса существенно снижаются.
Конечно же, у этой медали есть две стороны: с одной – хорошо, что, например, для разгрузки фуры можно просто установить специальную машину, которая будет часами перемещать грузы из кузова на склад; с другой – автоматизация рабочего процесса делает человека ненужным предприятию, вследствие чего руководство оставляет сотрудника без возможности заработка. Эту тему можно развивать вплоть до обсуждения новых профессий, но в данной статье у нас такой задачи не стоит, так что давайте продолжим.
Нужно понимать, что существуют такие виды работ, которые просто невозможно выполнять без помощи машин. В качестве примера можно назвать обработку аналитики продаж, ведь человек просто не в состоянии изучить и проанализировать за несколько минут миллионы записей. С помощью ИИ подобные задачи выполняются очень быстро, да и дешевле, чем если бы этим занимался человек или целая группа людей. Снова налицо экономическая выгода для организаций.
По словам профессора Лаборатории компьютерного взаимодействия Университета Карнеги-Меллон Джейсона Хонга, ИИ способен не просто выполнять за людей разные функции, но и способствовать появлению новых видов занятости. По мере развития технологий, на смену лошадям пришли автомобили, а еще позже это стало причиной возникновения большого разнообразия задач, а также повлияло на производство. В итоге сегодня уже никого не удивить строительной техникой, огромными фургонами и рефрижераторами, микроавтобусами и т.д.
Проводя аналогию с вышесказанным, можно сказать, что уже в ближайшем будущем системы ИИ придут на смену людям относительно рутинных задач, а в более далекой перспективе вполне можно рассчитывать на появление нового многообразия форм деятельности и профессий. Однако в данное время точно оценить, насколько серьезным будет влияние ИИ, не представляется возможным.
Почему конкурсы пения и танцев вытесняют из прайм-тайм интеллектуальные конкурсы?
Потому что такие передачи, как “Что, Где, Когда?” построены на вопросах, найти ответы на которые можно в интернете. В этом машина по сути уже обогнала человека. Напротив, в области танцев или песен машина пока далеко позади. Кстати, сто лет назад главным мерилом интеллекта было умение считать в уме сложные математические примеры — на сложение, вычитание, деление и подобные.. В середине XX века интерес к таким людям резко упал — когда появился калькулятор, способный делать эти расчёты намного быстрее и точнее человека. Калькулятор практически убил интерес к возможностям Человека быстро считать, а сейчас интернет уменьшает интерес к людям-эрудитам. Действительно, какой смысл помнить огромные объёмы данных, если их помнит компьютер и легко выдаёт человеку по требованию? Сейчас на первое место выходит вопрос умения эти данные обрабатывать, делать правильные выводы. И в этом пока ИИ сильно отстаёт от человека. Здесь без логики не обойтись.
При чем тут нейронные сети?
Слово «нейросеть» резко стало популярным после того, как российские разработчики представили приложение Prizma. Оно анализировало фотографии и стилизовало их под картины. С тех пор нейронные сети отождествляют с искусственным интеллектом.
Это не совсем верно. Нейросеть – всего лишь одна из технологий, которые использует ИИ. Это такая самобучаемая программа, в которую входят микропрограммы – нейроны. Они устроены так, что на поступающие сигналы реагируют случайным образом. Если в нейросеть загрузить данные, через некоторое время она сама их будет сортировать по разным признакам.
Самый простой пример: поиск по «Яндекс.Картинкам». Вы загружаете изображение или даете на него ссылку, а система предлагает вам похожие фото. Она научилась этому не сразу, а после множества подтверждений, что именно эти картинки напоминают друг друга.
Миф 5: В России негде бесплатно обучиться ИИ — всё обучение платное
Факт: А вот и неправда. У нас в стране имеется достаточно обширная база образовательных программ, платить за которые совершенно необязательно. Если ты хочешь получить более полное представление и даже научиться работать с подобными системами, можешь записаться в «Русскую школу программирования» на многоступенчатую образовательную программу «ИИ: быстрый старт с нуля».
Его основная идея в том, чтобы простые парни и девушки, которые интересуются программированием, искусственным интеллектом, машинным обучением с использованием нейронных сетей и другими современными технологиями, могли получить знания и навыки от экспертов из ведущих IT-компаний и технических университетов в удалённом режиме
То есть неважно, где ты живёшь, — главное, чтобы там был компьютер и интернет
У этой программы есть два направления: для новичков, где проводятся ликбез-сессии о предмете и истории создания технологии ИИ, сфере его использования и перспективах, а также для тех, у кого уже есть опыт программирования. Этот образовательный набор рассчитан на ту аудиторию, которая хочет понять, чем классические задачи кодинга отличаются от машинного обучения и технологий распознавания речи, текста и видео.
В программе для более опытных у тебя будет возможность подготовить проект по научно-исследовательским задачам от IT-компаний и лучших технических университетов страны. Во время прохождения ты изучишь машинное обучение, распознавание речи, компьютерное зрение, обработку языка, предиктивную аналитику и экспертные системы. Если обобщить, то ты получишь все необходимые знания для начала работы над созданием собственного ИИ.
Среди партнёров «Русской школы программирования» представлены МФТИ, ДВФУ, «Иннополис», «Мегафон» и другие университеты и IT-компании России, которые дают актуальные знания на тему программирования и помогут тебе получить специальность, которая в будущем будет всё более востребованной.
Не важно, что мы думаем об искусственном интеллекте, важно что он думает о нас
Создание мыслящего искусственного интеллекта, разума, в случае если задача будет решена — станет самым большим достижением человечества. Все известные изобретения, от колеса до интернета — это лишь изобретения для внтреннего человеческого использования, а искусственный Разум, если он будет жить и развиваться самостоятельно, станет новой формой Жизни. Искусственный интеллект позволяет людям повышать уровень жизни — это факт. Нужен ли будет человек искусственному разуму и зачем именно — неизвестно.
Моё личное мнение: ИИ — это ребёнок человечества, и если этот ребёнок окажется умнее Человека, своего родителя — то нет в этом абсолютной трагедии. Возможно, это просто нормальное развитие нашей цивилизации. ИИ может жить много дольше, чем Человек и, к примеру, посещать другие звёзды, преодолевать огромные расстояния в течение сотен и тысяч лет. Сейчас Человечество даже не задумывается о таких путешествиях именно по причине ограниченности времени человеческой жизни..
Глубокое обучение
Понятие «глубокое обучение» используется для описания нейронной сети и тех алгоритмов, на которых построена работа ИНС. Алгоритмы ИНС глубокого обучения направлены на прием «сырых» данных, из которых необходимо извлечь информацию и, впоследствии обработки, получить выходные данные.
Без данных алгоритмов программисту необходимо самому искать нужную информацию, в то время как ИНС, построенная на модели глубокого обучения, может сама найти нужные данные, обработать их и дать на выходе решение.
Обучение происходит следующим образом: система запускает поиск необходимой информации, получает входные данные, обрабатывает их, извлекает и выдает полезную информацию. Когда обучение пройдено, снижаются требования для поддержания работы модели к вычислительной мощности, памяти и энергии. Таким образом система тренируется выполнять какую-то конкретную задачу. Глубокое обучение может быть применено для решения задач разных направлений. На данный момент это инновация в сфере искусственного интеллекта.
Есть и другие виды обучения, например, обучение с учителем или с частичным привлечением учителя. В таком случае устанавливается контроль реальным человеком на некоторых этапах процесса.
Теневое обучение также предполагает участие человека в ходе обучения, когда перед поиском системой данных человек самостоятельно обрабатывает информацию и вносит необходимые показатели в систему сведений по специфике направления.
Перспектива развития искусственного интеллекта
Компьютеры теперь могут делать многое из того, что раньше могли делать только люди: играть в шахматы, распознавать буквы алфавита, проверять орфографию, грамматику, распознавать лица, диктовать, говорить, выигрывать игровые шоу и многое другое. Но скептики упорствуют. Как только удается автоматизировать очередную человеческую способность, скептики говорят, что это лишь еще одна компьютерная программа, а не пример самообучающегося ИИ. Технологии ИИ только находят широкое применение и имеют огромный потенциал роста во всех сферах. Со временем человечество будет создавать все более мощные компьютеры, которые будут все более совершенствоваться в развитии ИИ.
Является ли целью ИИ поместить человеческий разум в компьютер?
Существует только приблизительное понимание того, как работает человеческий мозг. Пока далеко не все свойства разума возможно имитировать с помощью ИИ.
Сможет ли ИИ достичь человеческого уровня интеллекта?
Ученые стремятся к тому, чтобы ИИ мог решать еще больше разнообразных задач. Но о достижении уровня человеческого интеллекта говорить преждевременно, так как мышление не сводится только к одним алгоритмам.
Когда искусственный интеллект сможет достичь уровня человеческого мышления?
На данном этапе накопления и анализа информации, который сейчас достигнут человечеством, ИИ далек от человеческого мышления. Однако в будущем могут возникнуть прорывные идеи, которые повлияют на резкий скачок в развитии ИИ.
Может ли компьютер стать интеллектуальной машиной?
Часть любой сложной машины — это компьютерная система, и тут возможно говорить только об интеллектуальных компьютерных системах. Сам компьютер не обладает интеллектом.
Есть ли связь между скоростью и развитием интеллекта у компьютеров?
Нет, скорость отвечает только за некоторые свойства интеллекта. Самой по себе скорости обработки и анализа информации недостаточно, чтобы появился интеллект.
Возможно ли создать детскую машину, которая могла бы развиваться с помощью чтения и самообучения?
Это обсуждается исследователями уже почти сто лет. Вероятно, идея когда-нибудь будет реализована. На сегодня программы ИИ не обрабатывают и не используют столько информации, сколько могут делать дети.
Как связаны с ИИ теория вычислимости и вычислительная сложность?
Теория вычислительной сложности фокусируется на классификации вычислительных задач в соответствии с присущей им сложностью и связывании этих классов друг с другом. Вычислительная задача — это задача, решаемая компьютером. Задача вычисления разрешима механическим применением математических шагов, таких как алгоритм.
Что такое искусственный интеллект (совсем просто)
Сначала разберемся, что такое интеллект вообще. Распространенное заблуждение, что он есть только у человека. На самом деле интеллектом обладают не только люди, но и животные, а сегодня – и машины. Второй миф: интеллект связан исключительно с рациональным мышлением, логикой и вычислениям.
На самом деле он представляет собой целый комплекс способностей:
- адаптация к изменениям;
- накопление опыта;
- рефлексия и самоосознание;
- сила воли и так далее.
Это только часть механизмов, которые входят в понятие интеллекта. Все гораздо сложнее, и многие из них до сих пор не изучены.
Если говорить грубо, интеллект – это проявление личности. Чем выше его уровень, тем выше с эволюционной точки зрения стоит личность.
Искусственный интеллект – не калька с разума человека. Это технология, с помощью которой машина решает задачи по заданным алгоритмам. Они очень узко направлены: например, программа, которая умеет отвечать на вопросы, не обучена анализу фотографий.
При этом устройства с ИИ не настолько ограничены, как обычные машины. Они не просто делают вычисления по готовым формулам, а еще и добавляют собственные данные к результату. Функция воображения – это основа ИИ, и она приближает его к человеческому.
Еще искусственным интеллектом сегодня называют целую науку, которая посвящена его разработке. Помимо теории, она предлагает конкретные технологии, по которым создаются «умные» машины и программы.
Что такое искусственный интеллект?
Описание искусственного нейрона
Искусственный нейрон — это математическая функция, задуманная как модель биологических нейронов, нейронной сети. Искусственные нейроны — элементарные единицы в искусственных нейросетях. Искусственный нейрон получает один или несколько входов и суммирует их, чтобы произвести выход или активацию, представляющую потенциал действия нейрона, который передается вдоль его аксона. Обычно каждый вход анализируется отдельно, и сумма передается через нелинейную функцию, известную как функция активации, или передаточная функция.
Когда началось исследование ИИ?
В 1935 году британский исследователь А.М. Тьюринг описал абстрактную вычислительную машину, которая состоит из безграничной памяти и сканера, перемещающегося вперед и назад по памяти, символ за символом. Сканер считывает то, что он находит, записывая дальнейшие символы. Действия сканера диктуются программой инструкций, которая также хранится в памяти в виде символов. Самая ранняя успешная программа ИИ была написана в 1951 году Кристофером Стрейчи. В 1952 году эта программа могла играть с человеком в шашки, удивляя всех своими способностями предсказывать ходы. В 1953 году Тьюринг опубликовал классическую раннюю статью о шахматном программировании.
Где применяется искусственный интеллект и в чем его польза?
Многие люди считают, что ни разу не сталкивались с искусственным интеллектом, однако это ошибочное мнение, ведь многие из нас используют его ежедневно.
В 2011 году, благодаря победе на телевикторине Jeopardy (аналог телепередачи «Своя игра»), известность обрел суперкомпьютер IBM Watson, использующий алгоритм машинного обучения. ИИ компьютера сражался против двух человек: Брэда Раттера, обладателя самого большого денежного приза в программе, и Кени Дженнинга, имеющего самую длительную беспроигрышную серию. С тех пор этот алгоритм изменялся и дорабатывался, а сегодня используется в качестве шаблона у таких компаний как Apple, Amazon и Google.
Почему алгоритмичный «ум» ИИ не может заменить человека
Обнадеживающе звучит второй пассаж из Доклада Всемирного банка:
Это не значит, что «машинного» искусства или роботизированной уборки еще нет, скорее, речь идет о том, что ИИ куда сложнее конкурировать с человеком в областях, которые связаны с комплексным трудом, непредсказуемостью, разноплановой аналитической работой или простой эмпатией.
Свежая статья в Nature предлагает одно из объяснений ограничениям, с которыми неизбежно сталкивается ИИ: в основе машинного обучения лежат формализация и математический анализ — а у них есть свои неразрешенные проблемы. В некоторых сценариях машинного обучения невозможно доказать, может ли алгоритм решить конкретную задачу, и это упирается в математические задачи (в частности, в континуум-гипотезу). Нельзя доказать или опровергнуть, что алгоритмы, обучающиеся на больших наборах данных, смогут одинаково хорошо работать на разных выборках. Тем более что не все данные хорошо формализуются.
Что алгоритмы уже умеют делать, так это воспроизводить то, чему они обучаются, не вникая в смысл, а размечивая «да» или «нет». Именно поэтому им не присуще чувство юмора, хотя они могут «сочинять» музыку. Секрет такого творчества очень схож с изобретательством алгоритмов, которые обыгрывают в шахматы и го или даже в Dota 2. Но та же AlphaZero не может научиться другим играм, кроме го, потому что правила уже не настолько прозрачны.
