Искусственный интеллект стал гораздо сильнее – по крайней мере, при решении некоторых задач. ИИ победил чемпиона мира по шахматам, в Го, а теперь и по покеру. Но может ли ИИ думать?
Ответ звучит сложно, потому что сложно само понятие интеллекта. Можно быть начитанным, обладать уличной смекалкой, чувствительным, мудрым, рациональным или опытным; сложно преуспеть во всех этих аспектах сразу. У интеллекта много ресурсов и мозг реагирует на них неодинаково. Поэтому попытки разработать искусственный интеллект сталкиваются с самыми разнообразными сложностями, одной из самых больших при этом является человеческий интеллект.
Как бы там ни было, именно мозг дает важнейшие подсказки для создания ИИ – он состоит из миллиардов нейронов, передающих друг другу информацию в области, предназначенные для осуществления таких функций, как память, язык и мысли. Мозг динамичен, и так же, как мы можем наращивать мышцы, можно улучшать и наши когнитивные способности – мы можем учиться. Так же может делать и ИИ благодаря разработке искусственных нейронных сетей (ИНН), тип машинного алгоритма, в котором узлы симулируют нейроны, сообщающиеся между собой и передающие информацию. Такой ИИ, как AlphaGo, программа, победившая в прошлом году чемпиона мира в Го, использует ИНН не только чтобы подсчитать статистические возможности и результат ходов, но так же для смены стратегии в зависимости от стратегии противника.
Facebook, Amazon, Netflix, Microsoft и Google – все эти компании используют глубокое обучение, которое расширяет возможности обычных ИНН посредством добавления слоев к входной/выходной информации. Это отражает способ человеческого мышления – когда мы обрабатываем входную информацию, она так же проходит через слои. Например, смотря футбол по телевизору, мы воспринимаем то, что происходит в данный момент времени, но мы так же обдумываем и много другого: кто на поле (и кого нет), какие отыгрываются стратегии, как игра соотносится с имеющийся информацией и историей (часто ли команда побеждает другую? Играет ли защитник как обычно?), как ведут себя рефери и много других деталей. Во время обработки этой информации мы используем память, распознавание образов, статистический и стратегический анализ, сравнение, прогноз и прочие когнитивные возможности. Глубокое обучение пытается симулировать эти слои.
Наверное, вы уже знакомы с алгоритмами глубокого обучения. Приходилось ли вам удивляться, откуда Фейсбук знает, что нужно поместить рекламу о резиновых сапогах после ливня? Или каким образом он предлагает вам страницу после того, как вам понравилась похожая на неё? Алгоритм Фейсбука DeepText способен обрабатывать сотни постов на десятках языков в секунду. Он понимает разницу между песней Purple Rain и причиной покупки галош.
Глубокое обучение можно использовать с лицами, определения членов семей, посетивших юбилей или работников, оторвавшихся на вечеринке. Эти алгоритмы могут распознавать объекты в контексте – такая программа может рассмотреть алфавитные кубики и книги на полу или детский шезлонг. Легко представить, какие выводы можно сделать из такой фотографии и как это использовать для рекламы.
Гугл использует рекуррентные нейронные сети (РНС) для распознавания картинок и языковых переводов. Это позволяет Google Translate выполнять работу лучше обычного перевода слова в слово, находить связи между языками, которые в него не вкладывались. Даже если Google Translate не создавался для перевода с исландского на вьетнамский, он сможет осуществить перевод благодаря нахождению общих мест в языках и разработке собственного языка, который будет служить посредником.
Компьютерное мышление привязывалось к языку с момента выхода оригинальной работы Алана Тьюринга «Вычислительная техника и интеллект». В ней Тьюринг описал Тест Тьюринга – способ, с помощью которого можно понять, может ли думать машина. В Тесте Тьюринга, человек беседует в чате невидимым собеседником. Если им является компьютер, и человеку показалось, что он говорит с другим человеком, тест считается пройденным. Со временем стало ясно, что даже если компьютер может правдоподобно изобразить человеческую речь (включая опечатки, сленг, обсценную лексику и прочее), это ещё не значит, что он думает. В 60х годах программа ELIZE сумела обмануть участников в том, что они беседуют с настоящим врачом, потому что программа задавала вопросы, которые обычный человек не задаст, и притворялась, будто вчитывается в ответ. На самом деле ELIZA собирала ключевые слова из ответа и превращала их в вопросы, или просто просила: «Расскажите мне ещё что-нибудь». Хотя многие считают, что ELIZA прошла тест Тьюринга, совершенно ясно, что обработка языка и мышление задействуют разные способности.
Но как же насчет Ватсона IBМ, который смог победить двух противников-людей в «Своей игре»? Превосходство Ватсона опирается на моментальный доступ к большому количеству информации и на подсчет ответов. В игре Ватсону попался следующий вопрос: «Морис Ламарш нашел своего Орсона Уэллса, чтобы озвучить грызуна, пытающегося достигнуть мирового господства». Возможные ответы и предположения Ватсона были следующими:
Пинки и Брейн: 63 процента
Эд Вуд: 10 процентов
Капибара: 10 процентов
Если поискать в Гугл имя Мориса Ламарша, можно быстро узнать, что он озвучивал Пинки. Но подсказка запутана, потому что здесь несколько ключевых терминов: Ламарш, озвучка, грызун и мировое господство. Орсон Уэллс служит отвлекающим маневром, и Ламарш использовал свой классический голос Орсона Уэллса для персонажа Винсента Д’Онофрио в фильме Эд Вуд, но эта часть не имеет ничего общего с грузыном. Аналогичным образом, капибара — это южно-американский грызун (самый большой в мире, из-за чего, пожалуй, Ватсон и связь его с «господством над миром»), но животное никак не связано с Ламаршем или озвучкой. Человеческий мозг справился бы с такими концептами, вызвавшими у Ватсона трудности; поэтому Кен Дженнигс смог победить его в этом вопросе.
Тем не менее, способности Ватсона продолжают расти – теперь он работает над проблемой лечения рака. Посредством загрузки истории, информации по диагностике, медицинских карт и другой информации, Ватсон может работать с другими врачами для определения рака и определения планов лечения.
«Проект Люси» использует возможности Ватсона для помощи Африке в вопросах земледелия, экономики и социальных проблем. Ватсон может проявить себя в отдельных областях, но не в пересекающихся.
Пожалуй, главные ограничения ИИ можно описать одной буквой: О. У нас есть ИИ, но нет ИОИ – искусственного общего интеллекта (который иногда называют «сильным» или «полным» ИИ). Различие заключается в том, что ИИ может выполнять одну задачу или играть в игру, но не может применять стратегии или технику в других сценариях или областях – пожалуй, вы сможете победить AlphaGo в крестики-нолики. Можно провести параллель с человеческой способностью к критическому мышлению или синтезу – мы можем применять знание об историческом событии в моде или использовать эффективные маркетинговые техники в разговоре с боссом о повышении зарплаты, потому что замечаем связь. ИИ пока не может этого делать.
Мнения разделились: одни считают, что мы никогда не создадим настоящий ИОИ, другие считают, что это вопрос времени (и денег). В прошлом году компания Kimera объявила о программе Nigel, которую они называют первым ИОИ. Так как общественность ещё не получила доступа к бета-версии, мы не можем подтвердить эту информацию. Пока ИИ обучается как мы: посредством просмотра роликов на ютубе и чтению книг. А вот радует ли это, или пугает – уже совершенно другой вопрос.
