Nyligen har publikationer om utsikterna för framväxten av artificiell intelligens blivit vanligare. De praktiska och moral-etiska aspekterna av människans samexistens med honom diskuteras. Hur snabbt är dessa diskussioner? Kan vi verkligen förvänta oss utseendet på "tänkande maskiner"?
Alla projekt för att skapa konstgjord intelligens kan grovt uppdelas i två områden. Den första är ackumulering av databaser och deras behandling av program som imiterar den mänskliga hjärnans aktivitet. Den andra är baserad på studien av modeller för intellektuellt beteende. Den båda nackdelen med båda är att vi fortfarande inte vet tillräckligt väl vad sinnet och intellektuellt beteende är, och den mänskliga hjärnan ärligt talat har studerats på allvar relativt nyligen.
Det finns en uppfattning om att problemet kan kringgås på grund av cyborgs, det vill säga genom att smälta en levande hjärna (apa, och i framtiden - en människa) med en dator, men denna väg är full av enorma svårigheter, och värre, i det här fallet kommer det att vara omöjligt att prata om full konstgjord intelligens.
Men forskare tror att det är ganska realistiskt att hoppa över flera steg, så att konstgjord intelligens kan utvecklas oberoende - precis som den utvecklats i levande natur, med skillnaden att dess utveckling kommer att ske i virtuellt, inte materiellt utrymme. Här placeras satsningen på konstgjorda neurala nätverk eller nervnätverk (Artificial Neural Network).
Låt oss komma ihåg vad en neuron är. Detta är namnet på en nervcell, som skiljer sig från andra celler genom att den kan lagra och överföra information med elektriska och kemiska signaler. Neurons funktion upptäcktes i slutet av 1800-talet, som naturligtvis spelade in i händerna på materialisterna, som fick myndighet över hela världen vid den tiden: de förklarade omedelbart att det var neuroner som innehöll "själen". Därför idén att om du på något sätt odlar en exakt kopia av hjärnan, så kommer en "själ" att föds i den. Men en filosofisk fråga uppstod: är det möjligt att tala om en "själ" utan anledning? När allt kommer omkring är det en produkt av uppfostran, vilket framgår av studien av "Mowgli" - mänskliga barn uppfödda av djur. Följaktligen räcker det inte att skapa en kopia av hjärnan - den måste fortfarande "utbildas" för att få intelligens.
TEKNISK BÖR
En normal vuxens hjärna innehåller cirka 86 miljarder nervceller. För inte så länge sedan verkade idén att skapa en digital analog av den helt fantastisk. Men i dag, med utvecklingen av informationsteknologi, verkar detta redan ganska möjligt.
Kampanjvideo:
Det bör komma ihåg att den berömda amerikanska matematikern Norbert Wiener, "far" till cybernetik, anses vara grundaren av teorin om modellering av komplexa biologiska processer, inklusive hjärnprocesser. År 1949 sammanställde den kanadensiska psykologen Donald Hebb, en specialist i studiet av tänkande processer, baserat på Wiener beräkningar, den första träningsalgoritmen för nervnätverk (förresten, Hebb tjänade en gång i CIA, där han hanterade hjärntvättproblemet).
1957 skapade amerikanska Frank Rosenblatt, en konstgjord intelligensteoretiker, baserat på hans tidigare arbete, ett logikdiagram över perceptronet - en självlärande cybernetisk modell av hjärnan, som implementerades tre år senare på grundval av den elektroniska Mark-1-datorn. Perceptronet sänder signaler från fotoceller (sensorer, S-celler) till block av elektromekaniska minneceller som är slumpmässigt anslutna. Om en av cellerna får en signal som överskrider tröskelvärdet, överför den den vidare - till adderaren (R-element) och med en viss koefficient ("vikt" för AR-anslutningen). Beroende på summan av signalen multiplicerad med viktfaktorerna matar adderaren ut ett av tre möjliga resultat till utgången från hela systemet: -1, 0 och +1. Träning av perceptron sker i stadiet att införa viktkoefficienter i systemet. Till exempel,vi placerar en "fyrkantig" figur framför fotocellerna och ställer in regeln: när en kvadrat visas i synfältet ska perceptronet ge ett positivt resultat (+1), och när något annat objekt visas negativt (-1). Sedan byter vi objekt en efter en och justerar vikterna när en fyrkant visas i riktning att öka, och i dess frånvaro - i riktning att minska. Som ett resultat erhåller vi en unik mängd värden på viktkoefficienter i systemet för alla varianter av utseendet på en kvadrat, och i framtiden kan vi använda den för att känna igen rutor. "Mark-1", trots sin primitivitet jämfört med moderna datorer, kunde inte bara känna igen geometriska former, utan också bokstäver i alfabetet och skrivna i olika handskrifter.när en kvadrat visas i synfältet ska perceptronet ge ett positivt resultat (+1), och när något annat objekt visas - negativt (-1). Sedan byter vi objekt en efter en och justerar vikterna när en fyrkant visas i riktning att öka, och i dess frånvaro - i riktning att minska. Som ett resultat erhåller vi en unik mängd värden på viktkoefficienter i systemet för alla varianter av utseendet på en kvadrat, och i framtiden kan vi använda den för att känna igen rutor. "Mark-1", trots sin primitivitet jämfört med moderna datorer, kunde inte bara känna igen geometriska former, utan också bokstäver i alfabetet och skrivna i olika handskrifter.när en kvadrat visas i synfältet ska perceptronet ge ett positivt resultat (+1), och när något annat objekt visas - negativt (-1). Sedan byter vi objekt en efter en och justerar vikterna när en fyrkant visas i riktning att öka, och i dess frånvaro - i riktning att minska. Som ett resultat erhåller vi en unik mängd värden på viktkoefficienter i systemet för alla varianter av utseendet på en kvadrat, och i framtiden kan vi använda den för att känna igen rutor. "Mark-1", trots sin primitivitet jämfört med moderna datorer, kunde inte bara känna igen geometriska former, utan också bokstäver i alfabetet och skrivna i olika handskrifter. Sedan byter vi objekt en efter en och justerar vikterna när en fyrkant visas i riktning att öka, och i dess frånvaro - i riktning att minska. Som ett resultat erhåller vi en unik mängd värden på viktkoefficienter i systemet för alla varianter av utseendet på en kvadrat, och i framtiden kan vi använda den för att känna igen rutor. "Mark-1", trots sin primitivitet jämfört med moderna datorer, kunde inte bara känna igen geometriska former, utan också bokstäver i alfabetet och skrivna i olika handskrifter. Sedan byter vi objekt en efter en och justerar vikterna när en fyrkant visas i riktning att öka, och i dess frånvaro - i riktning att minska. Som ett resultat erhåller vi en unik mängd värden på viktkoefficienter i systemet för alla varianter av utseendet på en kvadrat, och i framtiden kan vi använda den för att känna igen rutor. "Mark-1", trots sin primitivitet jämfört med moderna datorer, kunde inte bara känna igen geometriska former, utan också bokstäver i alfabetet och skrivna i olika handskrifter. Som ett resultat erhåller vi en unik mängd värden på viktkoefficienter i systemet för alla varianter av utseendet på en kvadrat, och i framtiden kan vi använda den för att känna igen rutor. "Mark-1", trots sin primitivitet jämfört med moderna datorer, kunde inte bara känna igen geometriska former, utan också bokstäver i alfabetet och skrivna i olika handskrifter. Som ett resultat får vi ett unikt utbud av värden på viktkoefficienter i systemet för alla varianter av utseendet på en kvadrat, och i framtiden kan vi använda den för att känna igen rutor. Trots sin primitivitet jämfört med moderna datorer kunde Mark-1 inte bara känna igen geometriska former, utan också alfabetets bokstäver, skrivna i olika handskrifter.
SMARTTINGAR
Naturligtvis har många mer komplexa kretsar, algoritmer och varianter av perceptroner framkommit sedan dess. Ändå har denna strategi för att organisera en neural nätverksmodell grundläggande begränsningar: till exempel är perceptroner maktlösa för att lösa problemet med att dela en figur i separata delar eller bestämma figurernas relativa position.
När det blev tydligt att det var omöjligt att bygga konstgjord intelligens baserat på perceptroner föll intresset för dem. I början av 1980-talet dök dock nya varianter av självlärande och självorganiserande neurala nätverk upp: Hopfield-nätverket, Hemming-nätverket, Kohonen-nätverket, Jordan-nätverket och andra. 1986 skedde en slags revolution: sovjetiska och amerikanska forskare utvecklade en backpropagationsmetod (iterativ gradientalgoritm), vilket gjorde det möjligt att övervinna tidigare upptäckta begränsningar. Därefter fick neurala nätverk snabb utveckling, som omedelbart implementerades i tillämpade datorprogram.
Moderna mjukvarupaket byggda på basis av konstgjorda neurala nätverk kan känna igen godtyckligt komplexa texter, ljudkommandon, ansikten, gester och ansiktsuttryck. Men detta är bara de enklaste användningsfallen, det finns också mer ovanliga. Självlärande autopiloter som kan svara på utvecklingen av katastrofala situationer tidigare än piloter. Byt inspektörer som identifierar misstänkta transaktioner på aktiemarknaderna. Nätverksannonsagenter som spårar preferenser för potentiella kunder. Medicinska diagnostiker som bestämmer patologier hos spädbarn.
Det är tydligt att när informationsteknologierna förbättras, kommer neurala nätverk också att bli mer komplexa. De kommer att hantera alla hushållsapparater och livsstöd för hem, fabriker och stormarknader. De kan övervaka hot, analysera trender och ge råd till exempel om en optimal investering av pengar. De kommer till och med att kunna skapa konstföremål: det finns redan målningar och dikter skriven av neurala nätverk!
SLAVERI ELLER VÄNDSKAP?
I själva verket går allt till det faktum att ett neuralt nätverk en dag kommer att bli en ersättningsbar assistent i tusen stora och små frågor. Futurister fruktar detta. De tror att kvantitet någon gång kommer att förvandlas till kvalitet, artificiell intelligens kommer att uppstå i neurala nätverk, som omedelbart kommer att utmana mänskligheten och förstöra den. Ett annat alternativ är också möjligt - människor blir så beroende av de beslut som fattas av det neurala nätverket att de själva inte kommer att märka hur de kommer att förvandlas till dess slavar.
Läskiga scenarier som dessa verkar för konstiga. Faktum är att neurala nätverk ursprungligen är strukturerade för att anpassa sig till behoven hos en viss person eller grupp av människor. De kan hjälpa till att korrigera ett misstag eller ge råd, lyfta fram ett problem eller lägga märke till ett bedrag, men de själva kan inte göra val mellan likvärdiga alternativ, eftersom vi (tyvärr eller lyckligtvis) inte kommer att kunna lära dem huvudsaken - moral. Därför kommer neurala nätverk alltid som husdjur - lydiga, lojala och vänliga.
Anton Pervushin