V poslednej dobe sa častejšie vyskytujú publikácie o vyhliadkach na objavenie sa umelej inteligencie. Diskutuje sa o praktických a morálno-etických aspektoch spolužitia ľudstva s ním. Aká je včasnosť týchto diskusií? Môžeme skutočne očakávať výskyt „mysliacich strojov“?
Všetky projekty na vytvorenie umelej inteligencie sa dajú zhruba rozdeliť do dvoch oblastí. Prvým je hromadenie databáz a ich spracovanie programami napodobňujúcimi činnosť ľudského mozgu. Druhá je založená na štúdiu modelov intelektuálneho správania. Kľúčovou nevýhodou oboch je to, že stále nevieme dosť dobre, čo je myseľ a intelektuálne správanie, a úprimne povedané, ľudský mozog sa začal pomerne nedávno študovať.
Existuje názor, že tento problém sa dá obísť v dôsledku kyborgov, tj fúziou živého mozgu (opice a v budúcnosti - človeka) s počítačom, táto cesta je však spojená s obrovskými ťažkosťami, a čo je horšie, v tomto prípade nebude možné hovoriť o úplná umelá inteligencia.
Vedci sa však domnievajú, že je celkom realistické preskočiť niekoľko krokov, čo umožňuje umelej inteligencii rozvíjať sa nezávisle - rovnako ako sa vyvíjala v živej prírode, s tým rozdielom, že k jej vývoju dôjde vo virtuálnom, nie hmotnom priestore. Stávka sa vkladá na umelé neurónové siete alebo neurónové siete (Artificial Neural Network).
Pamätajme, čo je to neurón. Toto je názov nervovej bunky, ktorá sa líši od ostatných buniek v tom, že je schopná ukladať a prenášať informácie pomocou elektrických a chemických signálov. Funkcia neurónov bola objavená na konci 19. storočia, ktorý, samozrejme, hral do rúk materialistov, ktorí v tom čase získali autoritu po celom svete: okamžite vyhlásili, že „dušu“obsahujú neuróny. Preto myšlienka, že ak nejakým spôsobom pestujete presnú kópiu mozgu, sa v nej zrodí „duša“. Vznikla však filozofická otázka: je možné hovoriť o „duši“bez dôvodu? Koniec koncov, je to produkt výchovy, ako ukazuje štúdia „Mowgli“- ľudské deti vychované zvieratami. Preto nestačí len vytvoriť kópiu mozgu - na získanie inteligencie je stále potrebné "vzdelaný".
TECHNICKÝ POKUT
Mozog normálneho dospelého človeka obsahuje približne 86 miliárd neurónov. Nie je to tak dávno, myšlienka vytvorenia digitálneho analógu sa zdala úplne fantastická. Dnes sa však vývoj informačných technológií zdá byť celkom dosiahnuteľný.
Propagačné video:
Je potrebné pripomenúť, že slávny americký matematik Norbert Wiener, „otec“kybernetiky, sa považuje za zakladateľa teórie modelovania komplexných biologických procesov vrátane mozgových procesov. V roku 1949 kanadský psychológ Donald Hebb, špecialista na štúdium procesov myslenia, založený na Wienerových výpočtoch, zostavil prvý školiaci algoritmus pre neurónové siete (mimochodom, Hebb naraz pôsobil v CIA, kde sa zaoberal problémom vymývania mozgov).
V roku 1957, americký Frank Rosenblatt, teoretik umelej inteligencie, na základe svojej predchádzajúcej práce vytvoril logický diagram perceptrónu - samoučiaci sa kybernetický model mozgu, ktorý sa implementoval o tri roky neskôr na základe elektronického počítača Mark-1. Perceptrón prenáša signály z fotobuniek (senzory, S-bunky) do blokov elektromechanických pamäťových buniek, ktoré sú náhodne spojené. Ak jedna z buniek prijme signál presahujúci prahovú hodnotu, potom ju prenáša ďalej - do sčítačky (prvok R) a s určitým koeficientom („hmotnosť“spojenia AR). V závislosti od súčtu signálu vynásobeného váhovými faktormi vydáva sčítač jeden z troch možných výsledkov na výstup celého systému: -1, 0 a +1. Výcvik perceptrónu prebieha vo fáze zavádzania váhových koeficientov do systému. Napríklad,pred fotobunky umiestnime „štvorec“a nastavíme pravidlo: keď sa v zornom poli objaví štvorec, mal by perceptrón dať pozitívny výsledok (+1) a keď sa objaví akýkoľvek iný objekt, záporný (-1). Potom postupne meníme objekty a upravujeme váhy, keď sa objaví štvorec v smere stúpania av jeho neprítomnosti - v smere klesania. V dôsledku toho získame jedinečnú škálu hodnôt váhových koeficientov v systéme pre každý variant vzhľadu štvorca av budúcnosti ho môžeme použiť na rozpoznanie štvorcov. Mark-1, napriek svojej primitivite v porovnaní s modernými počítačmi, dokázal rozoznať nielen geometrické tvary, ale aj písmená abecedy, napísané rôznymi spôsobmi.keď sa v zornom poli objaví štvorec, mal by perceptrón dať pozitívny výsledok (+1) a keď sa objaví akýkoľvek iný objekt - negatívny (-1). Potom postupne meníme objekty a upravujeme váhy, keď sa objaví štvorec v smere stúpania av jeho neprítomnosti - v smere klesania. V dôsledku toho získame jedinečnú škálu hodnôt váhových koeficientov v systéme pre každý variant vzhľadu štvorca av budúcnosti ho môžeme použiť na rozpoznanie štvorcov. „Mark-1“, napriek svojej primitivite v porovnaní s modernými počítačmi, dokázal rozoznať nielen geometrické tvary, ale aj písmená abecedy a písané rôznymi rukopismi.keď sa v zornom poli objaví štvorec, mal by perceptrón dať pozitívny výsledok (+1) a keď sa objaví akýkoľvek iný objekt - negatívny (-1). Potom postupne meníme objekty a upravujeme váhy, keď sa objaví štvorec v smere stúpania av jeho neprítomnosti - v smere klesania. V dôsledku toho získame jedinečnú škálu hodnôt váhových koeficientov v systéme pre každý variant vzhľadu štvorca av budúcnosti ho môžeme použiť na rozpoznanie štvorcov. „Mark-1“, napriek svojej primitivite v porovnaní s modernými počítačmi, dokázal rozoznať nielen geometrické tvary, ale aj písmená abecedy a písané rôznymi rukopismi. Potom postupne meníme objekty a upravujeme váhy, keď sa objaví štvorec v smere stúpania av jeho neprítomnosti - v smere klesania. V dôsledku toho získame jedinečnú škálu hodnôt váhových koeficientov v systéme pre každý variant vzhľadu štvorca av budúcnosti ho môžeme použiť na rozpoznanie štvorcov. „Mark-1“, napriek svojej primitivite v porovnaní s modernými počítačmi, dokázal rozoznať nielen geometrické tvary, ale aj písmená abecedy a písané rôznymi rukopismi. Potom postupne meníme objekty a upravujeme váhy, keď sa objaví štvorec v smere stúpania av jeho neprítomnosti - v smere klesania. V dôsledku toho získame jedinečnú škálu hodnôt váhových koeficientov v systéme pre každý variant vzhľadu štvorca av budúcnosti ho môžeme použiť na rozpoznanie štvorcov. „Mark-1“, napriek svojej primitivite v porovnaní s modernými počítačmi, dokázal rozoznať nielen geometrické tvary, ale aj písmená abecedy a písané rôznymi rukopismi. V dôsledku toho získame jedinečnú škálu hodnôt váhových koeficientov v systéme pre každý variant vzhľadu štvorca av budúcnosti ho môžeme použiť na rozpoznanie štvorcov. „Mark-1“, napriek svojej primitivite v porovnaní s modernými počítačmi, dokázal rozoznať nielen geometrické tvary, ale aj písmená abecedy a písané rôznymi rukopismi. V dôsledku toho získame jedinečnú škálu hodnôt váhových koeficientov v systéme pre každý variant vzhľadu štvorca av budúcnosti ho môžeme použiť na rozpoznanie štvorcov. „Mark-1“, napriek svojej primitivite v porovnaní s modernými počítačmi, dokázal rozoznať nielen geometrické tvary, ale aj písmená abecedy a písané rôznymi rukopismi.
SMART VECI
Odvtedy sa samozrejme objavilo oveľa zložitejšie obvody, algoritmy a varianty perceptrónov. Tento prístup k organizovaniu modelu neurónovej siete má napriek tomu základné obmedzenia: napríklad perceptróny nie sú schopné vyriešiť problém rozdelenia postavy na samostatné časti alebo určenia relatívnej polohy čísiel.
Keď sa ukázalo, že nie je možné vybudovať umelú inteligenciu založenú na perceptrónoch, záujem o ne klesol. Na začiatku osemdesiatych rokov sa však objavili nové varianty samoučiacich sa a organizujúcich sa neurónových sietí: sieť Hopfield, sieť Hemming, sieť Kohonen, sieť Jordán a ďalšie. V roku 1986 sa uskutočnila určitá revolúcia: sovietski a americkí vedci vyvinuli metódu backpropagation (algoritmus iteračného gradientu), ktorá umožnila prekonať predtým zistené obmedzenia. Potom neurónové siete získali rýchly rozvoj, ktorý bol okamžite implementovaný do aplikovaných počítačových programov.
Moderné softvérové balíčky postavené na báze umelých neurónových sietí sú schopné rozoznať ľubovoľne zložité texty, zvukové príkazy, tváre, gestá a výrazy tváre. Ide však iba o najjednoduchšie prípady použitia, ojedinelejšie sú aj prípady. Samoučiace sa autopiloty schopné reagovať na vývoj katastrofických situácií skôr ako piloti. Burzoví inšpektori identifikujúci podozrivé transakcie na akciových trhoch. Sieťoví agenti, ktorí sledujú preferencie potenciálnych zákazníkov. Lekárski diagnostici stanovujúci patológiu u dojčiat.
Je zrejmé, že ako sa informačné technológie zlepšujú, neurónové siete sa stanú komplexnejšími. Budú riadiť všetky domáce spotrebiče a podporu života pre domácnosti, továrne a supermarkety. Môžu monitorovať hrozby, analyzovať trendy a poskytovať rady napríklad o optimálnej investícii peňazí. Budú dokonca schopní vytvárať umelecké predmety: už existujú maľby a básne napísané neurónovými sieťami!
SLAVERY ALEBO PRIATELSTVO?
V skutočnosti všetko ide k tomu, že neurónová sieť sa jedného dňa stane nenahraditeľným pomocníkom v tisíckach veľkých a malých záležitostí. Futuristi sa toho boja. Veria, že v určitom okamihu sa kvantita zmení na kvalitu, v nervových sieťach sa objaví umelá inteligencia, ktorá okamžite vyzve ľudstvo a zničí ho. Je možná aj iná možnosť - ľudia budú natoľko závislí od rozhodnutí neurónovej siete, že si sami nevšimnú, ako sa z nich stanú jej otrokmi.
Strašidelné scenáre, ako sú tieto, sa zdajú byť príliš divné. Faktom je, že neurónové siete sú pôvodne štruktúrované tak, aby sa prispôsobili potrebám konkrétnej osoby alebo skupiny ľudí. Môžu pomôcť opraviť chybu alebo poradiť, upozorniť na problém alebo si všimnúť podvod, ale sami nie sú schopní zvoliť si medzi rovnocennými možnosťami, pretože my (bohužiaľ alebo našťastie) ich nebudeme môcť naučiť hlavnou vecou - morálkou. Preto budú neurónové siete vždy ako domáce psy - poslušné, lojálne a priateľské.
Anton Pervushin