Искусственный интеллект — это интересная научная область, которая изучает, как научить компьютеры думать и делать то, что умеют люди.

Первоначально компьютеры были изобретены Чарльзом Бэббиджем для оперирования числами в соответствии с четко определенной процедурой - алгоритмом. Современные компьютеры, хотя и значительно более совершенные, чем оригинальная модель, предложенная в 19 веке, по-прежнему придерживаются той же идеи управляемых вычислений. Таким образом, можно запрограммировать компьютер на выполнение чего-либо, если мы знаем точную последовательность шагов, которые нам нужно выполнить для достижения цели.

✅ Определение возраста человека по его фотографии - это задача, которую нельзя явно запрограммировать, потому что мы не знаем, как у нас в голове возникает число, когда мы это делаем.

Однако есть некоторые задачи, которые мы явно не знаем, как решить. Рассмотрим возможность определения возраста человека по его фотографии. Мы каким-то образом учимся это делать, потому что видели много примеров людей разного возраста, но мы не можем объяснить, как мы это делаем, и не можем запрограммировать компьютер на это. Это именно тот вид задач, который представляет интерес для искусственного интеллекта (сокращенно ИИ).

✅ Подумайте о некоторых задачах, которые вы могли бы переложить на компьютер, которому пригодился бы искусственный интеллект. Рассмотрите области финансов, медицины и искусства - какую пользу сегодня приносит искусственный интеллект этим областям?

Слабый искусственный интеллект против Сильного искусственного интеллекта

Слабый искусственный интеллект

• Слабый искусственный интеллект относится к системам искусственного интеллекта, которые разработаны и обучены для выполнения конкретной задачи или узкого набора задач.
• Эти системы искусственного интеллекта, как правило, не являются интеллектуальными; они преуспевают в выполнении заранее определенной задачи, но им не хватает истинного понимания или сознательности.
• Примерами слабого искусственного интеллекта являются виртуальные помощники, такие как Siri или Alexa, алгоритмы рекомендаций, используемые потоковыми сервисами, и чат-боты, предназначенные для конкретных задач обслуживания клиентов.
• Слабый искусственный интеллект узкоспециализирован и не обладает когнитивными способностями, подобными человеческим, или общими возможностями решения проблем за пределами своей узкой области.

Сильный искусственный интеллект

• Сильный ИИ, или общий искусственный интеллект (AGI), относится к системам искусственного интеллекта с интеллектом и пониманием на уровне человека.
• Эти системы искусственного интеллекта обладают способностью выполнять любую интеллектуальную задачу, доступную человеку, адаптироваться к различным областям и обладать определенной формой сознания или самосознания.
• Достижение сильного искусственного интеллекта является долгосрочной целью исследований в области искусственного интеллекта и потребует разработки систем искусственного интеллекта, которые могут рассуждать, учиться, понимать и адаптироваться к широкому спектру задач и контекстов.
• Сильный искусственный интеллект в настоящее время является теоретической концепцией, и ни одна система искусственного интеллекта не достигла такого уровня общего интеллекта.

Определение интеллекта и тест Тьюринга

Одна из проблем при работе с термином Интеллект заключается в том, что нет четкого определения этого термина. Можно утверждать, что интеллект связан с абстрактным мышлением или с самосознанием, но мы не можем дать ему правильного определения.

Чтобы понять двусмысленность термина интеллект, попробуйте ответить на вопрос: "Умна ли кошка?". Разные люди, как правило, дают разные ответы на этот вопрос, поскольку не существует общепринятого теста, подтверждающего истинность утверждения. И если вы думаете, что он есть - попробуйте провести тест на IQ своей кошки...

✅ Задумайтесь на минуту о том, как вы определяете интеллект. Разумна ли ворона, которая может разгадать лабиринт и достать немного еды? Умен ли ребенок?

Если мы говорим об AGI, нам нужно как-то понять, создали ли мы по-настоящему интеллектуальную систему. Алан Тьюринг предложил способ, который называется тест Тьюринга, он помогает определить уровень интеллекта. Тест сравнивает данную систему с чем-то изначально интеллектуальным - с реальным человеком, и поскольку любое автоматическое сравнение может быть обойдено компьютерной программой, мы используем человека-запросчика. Итак, если человек не в состоянии отличить реального человека от компьютерной системы в текстовом диалоге - система считается интеллектуальной.

Чат-бот под названием Юджин Густман, разработанный в Санкт-Петербурге, в 2014 году был близок к прохождению теста Тьюринга, используя хитроумный личностный трюк. Заранее было объявлено, что это 13-летний украинский мальчик, что объясняет недостаток знаний и некоторые неточности в тексте. Бот убедил 30% судей в том, что он человек, после 5-минутного диалога - показатель, который, по мнению Тьюринга, машина сможет преодолеть к 2000 году. Однако следует понимать, что это не означает, что мы создали интеллектуальную систему или что компьютерная система обманула человека, проводящего опрос - не система обманула людей, а скорее создатели ботов!

✅ Вас когда-нибудь обманывал чат-бот, заставляя думать, что вы разговариваете с человеком? Как это вас убедило?

Различные подходы к искусственному интеллекту

Если мы хотим, чтобы компьютер вел себя как человек, нам нужно каким-то образом смоделировать внутри компьютера наш образ мышления. Следовательно, нам нужно попытаться понять, что делает человека разумным.

Чтобы иметь возможность запрограммировать интеллект в машину, нам нужно понимать, как работают наши собственные процессы принятия решений. Если вы немного займетесь самоанализом, то поймете, что некоторые процессы происходят подсознательно – например. мы можем отличить кошку от собаки, не задумываясь об этом, в то время как некоторые другие требуют рассуждений.

Существует два возможных подхода к этой проблеме:

Подход "сверху вниз" (символическое мышление)

Нисходящий подход моделирует то, как человек рассуждает о решении проблемы. Он включает в себя извлечение знаний от человека и представление их в машиночитаемой форме. Нам также необходимо разработать способ моделирования рассуждений внутри компьютера.

Подход "снизу вверх" (нейронные сети)

Подход "снизу вверх" моделирует структуру человеческого мозга, состоящую из огромного количества простых единиц, называемых нейронами. Каждый нейрон действует как средневзвешенное значение своих входных данных, и мы можем обучить сеть нейронов решать полезные задачи, предоставляя обучающие данные.

Существуют также некоторые другие возможные подходы к интеллекту:

• Эмерджентный, синергетический или мультиагентный подход основан на том факте, что сложное интеллектуальное поведение может быть получено в результате взаимодействия большого количества простых агентов. Согласно эволюционной кибернетике, интеллект может возникнуть из более простого, реактивного поведения в процессе метасистемного перехода.
• Эволюционный подход, или генетический алгоритм - это процесс оптимизации, основанный на принципах эволюции.

Сосредоточимся на двух основных направлениях: сверху вниз и снизу вверх.

Подход "сверху вниз"

В нисходящем подходе мы пытаемся моделировать наши рассуждения. Поскольку мы можем следовать своим мыслям, когда рассуждаем, мы можем попытаться формализовать этот процесс и запрограммировать его внутри компьютера. Это называется символическим рассуждением.

У людей, как правило, в голове есть какие-то правила, которыми они руководствуются в процессе принятия решений. Например, когда врач ставит диагноз пациенту, он или она может понять, что у человека высокая температура, и, следовательно, в организме может происходить какое-то воспаление. Применяя большой набор правил к конкретной проблеме, врач может поставить окончательный диагноз.

Этот подход в значительной степени опирается на представление знаний и рассуждения. Получение знаний от эксперта-человека может быть самой сложной частью, потому что врач во многих случаях не будет точно знать, почему он или она ставит тот или иной диагноз. Иногда решение просто приходит в голову без четкого обдумывания. Некоторые задачи, такие как определение возраста человека по фотографии, вообще нельзя свести к манипулированию знаниями.

Подход "снизу вверх"

В качестве альтернативы мы можем попробовать смоделировать простейшие элементы внутри нашего мозга – нейрон. Мы можем сконструировать так называемую искусственную нейронную сеть внутри компьютера, а затем попытаться научить ее решать задачи, приводя примеры. Этот процесс аналогичен тому, как новорожденный ребенок узнает о своем окружении, проводя наблюдения.

✅ Проведите небольшое исследование о том, как учатся младенцы. Каковы основные элементы мозга ребенка?

А как насчет ML?Часть искусственного интеллекта, основанная на компьютерном обучении для решения задачи на основе некоторых данных, называется машинным обучением.

Краткая история искусственного интеллекта

Искусственный интеллект зародился как отрасль в середине двадцатого века. Первоначально символическое мышление было распространенным подходом, и это привело к ряду важных успехов, таких как экспертные системы – компьютерные программы, которые могли действовать как эксперты в некоторых ограниченных проблемных областях. Однако вскоре стало ясно, что такой подход плохо масштабируется. Извлечение знаний у эксперта, представление их в компьютере и поддержание точности этой базы знаний оказывается очень сложной задачей и во многих случаях слишком дорогостоящей, чтобы быть практичной. Это привело к так называемой Зиме искусственного интеллекта в 1970-х годах.

С течением времени вычислительные ресурсы становились дешевле, а данных становилось доступно больше, поэтому нейросетевые подходы начали демонстрировать большие результаты в конкуренции с людьми во многих областях, таких как компьютерное зрение или понимание речи. В последнее десятилетие термин "Искусственный интеллект" в основном использовался как синоним нейронных сетей, потому что большинство успехов в области ИИ, о которых мы слышим, основаны на них.

Мы можем наблюдать, как изменились подходы, например, при создании компьютерной программы для игры в шахматы:

• Ранние шахматные программы были основаны на поиске – программа явно пыталась оценить возможные ходы противника для заданного количества следующих ходов и выбирала оптимальный ход на основе оптимальной позиции, которая может быть достигнута за несколько ходов. Это привело к разработке так называемого алгоритма поиска альфа-бета-обрезки.
• Стратегии поиска хорошо работают ближе к концу игры, когда пространство поиска ограничено небольшим количеством возможных ходов. Однако в начале игры пространство для поиска огромно, и алгоритм можно улучшить, изучив существующие матчи между игроками-людьми. В последующих экспериментах использовалось так называемое рассуждение на основе конкретных случаев, когда программа искала случаи в базе знаний, очень похожие на текущую позицию в игре.
• Современные программы, которые побеждают игроков-людей, основаны на нейронных сетях и обучении с подкреплением, где программы учатся играть исключительно путем длительной игры против самих себя и обучения на собственных ошибках – очень похоже на то, как люди учатся играть в шахматы. Однако компьютерная программа может сыграть гораздо больше игр за гораздо меньшее время и, следовательно, обучаться намного быстрее.

✅ Проведите небольшое исследование других игр, в которые играл искусственный интеллект.

Аналогичным образом, мы можем видеть, как изменился подход к созданию “говорящих программ” (которые могли бы пройти тест Тьюринга):

• Ранние программы такого рода, такие как Eliza, были основаны на очень простых грамматических правилах и переформулировании входного предложения в вопрос.
• Современные помощники, такие как Cortana, Siri или Google Assistant, представляют собой гибридные системы, которые используют нейронные сети для преобразования речи в текст и распознавания наших намерений, а затем используют некоторые рассуждения или явные алгоритмы для выполнения требуемых действий.
• В будущем мы можем ожидать, что полноценная модель на основе нейронов будет управлять диалогом сама по себе. Недавние семейства нейронных сетей GPT и Turing-NLG демонстрируют большой успех в этом.

Последние исследования в области искусственного интеллекта

Огромный рост исследований в области нейронных сетей в последнее время начался примерно в 2010 году, когда стали доступны большие общедоступные наборы данных. Огромная коллекция изображений под названием ImageNet, которая содержит около 14 миллионов аннотированных изображений, породила ImageNet Large Scale Visual Recognition Challenge.

В 2012 году сверточные нейронные сети впервые были использованы при классификации изображений, что привело к значительному снижению ошибок классификации (почти с 30% до 16,4%). В 2015 году архитектура ResNet от Microsoft Research достигла точности на уровне человека.

С тех пор нейронные сети продемонстрировали очень успешное поведение во многих задачах:

За последние несколько лет мы стали свидетелями огромных успехов с большими языковыми моделями, такими как BERT и GPT-3. Это произошло в основном из-за того, что доступно много общих текстовых данных, которые позволяют нам обучать модели улавливать структуру и значение текстов, предварительно обучать их на общих текстовых коллекциях, а затем специализировать эти модели для более конкретных задач.