Что такое искусственный интеллект
Под данным термином понимают полноценное направление компьютерных наук. При разработке таких систем ставится задача обеспечить возможность обработки информации, как это делает мозг человека. Естественно, до полного копирования пока далеко, но текущие возможности ИИ уже поражают.
ИИ задействует алгоритмы, которые позволяют использовать аппаратную инфраструктуру для обработки больших массивов данных, самостоятельно находить закономерности для дальнейшего анализа. Оптимизация аппаратной части позволяет проводить расчеты с огромной скоростью. Это обеспечивает возможность предсказывать события, делать выводы или принимать нужные решения.
Простой пример – шахматный компьютер, который способен в реальном времени анализировать положение фигур, совершать оптимальные ходы и использовать собственные стратегии для победы. Просчитываются возможные варианты развития на много ходов вперед. Что позволяет эффективно распознавать тактику соперника. К примеру, если он подставит фигуру под удар, система может отказаться принять жертву, если это ухудшит положение. В этом случае также имитируется процесс мышления обычного человека в процессе игры, но делается это при помощи математических вычислений и алгоритмов.
Часто нейросети путают с ИИ, но это не совсем корректно. Нейросети представляют собой частный случай создания ИИ, но сфера гораздо шире. Просто рядовые пользователи не хотят разбираться в тонкостях отдельных терминов, обобщая их. Подход подразумевает отказ от создания сложных алгоритмов, которые теоретически решали бы поставленную задачу. Технически это возможно, но такой подход не позволяет получить нужную гибкость, которую предоставляют нейросети. При малейшем отклонении от исходного алгоритма, предоставить корректный ответ уже не будет возможности. Это резко контрастирует с возможностями обученных моделей, которые получают возможность анализировать новые данные.
История появления ИИ
Нейросети и искусственный интеллект изучаются достаточно давно, запускались и успешные проекты. Многие сформированные теории продолжают использоваться и сегодня. Далее будут рассмотрены основные этапы развития.
1950-е – конференция в Дартмуте и нашумевший тест Тьюринга
Алан Тьюринг (известный математик) первым предложил и обосновал возможность создания мыслящей машины. Данной работе он посвятил значительную часть своей жизни. По очевидным причинам, тогда эта идея для многих казалась нереализуемой, общество было просто не готово к этому. Однако специалист был уверен, что машины могут самостоятельно оперировать доступной информацией для принятия нужных решений. Фактически, математик оказался прав, данный процесс можно наблюдать и сегодня.
Тогда же был разработан тест, который нередко используется и в настоящее время. Для ввода данных использовался текстовый интерфейс, человек задает набор вопросов одновременно машине и другому человеку, при этом получатель заранее неизвестен. Если нет возможности однозначно идентифицировать ответ машины, считалось, что она смогла пройти тест и наделена искусственным интеллектом. Первые версии идентифицировать было достаточно легко, на многие вопросы машина просто не знала ответ.
На тот момент проверить выдвинутую теорию было достаточно сложно – возможности компьютеров были ограничены. Исследования в данной сфере могли проводить только крупные университеты и технологические компании, которые имели возможность использовать мощные компьютеры. При этом не все были уверены в необходимости изучать возможности ИИ.
В 1956 году прошла крупная конференция, которую принято считать началом истории развития ИИ. Тема конференции – «механизация интеллекта», место проведения – Дартмутский колледж. Именно тогда впервые был предложен термин «искусственный интеллект», в дальнейшем он активно использовался в профессиональной сфере. Также были сформулированы многие теории, которые упростили и ускорили дальнейшее развитие отрасли.
1960-е – развитие искусственного интеллекта
Возможности компьютеров начали быстро расти, они становились доступнее для рядовых пользователей. В используемую архитектуру вносились изменения, которые оптимизировали сложные расчеты и повышали общую производительность. Это привело к развитию многих отраслей, включая машинное обучение. Ключевые моменты:
— началась разработка первых экспертных систем – компьютерных программ, которые хранили информацию об определенной области (например, астрономии). Такую систему условно можно разделить на два важных компонента: база знаний и интерфейс вывода. База данных обеспечивала удобное хранение накопленной информации и быстрый доступ к нужным записям. Формировалась она вручную из разных источников. Механизм вывода представлял собой обычное диалоговое окно, с которым взаимодействовал пользователь в процессе работы;
— началось развитие перцептронов – простых нейронных сетей, которые уже обладали способностью к обучению. Они могли решать простые задачи в сфере классификации, например, распознавать рукописный текст. Работали они довольно плохо и имели большое количество ограничений, однако это позволило сформировать теоретическую основу для дальнейшей работы;
— в середине 60-х был разработан чат-бот ELIZA, который мог успешно общаться с человеком на естественном языке. Программа успешно справлялась с различными темами, могла корректно обрабатывать разные ситуации. Автор проекта – специалист Джозеф Вайценбаум;
— создан язык программирования LISP, который в дальнейшем активно использовался в области ИИ. Необходимость в создании такого инструмента назрела давно, поскольку классические языки программирования не были оптимизировали для работы с нейросетями.
1970–80-е годы – спад и возрождение сферы ИИ
На начальном этапе сфера искусственного интеллекта казалась очень перспективной. Во многом это было обусловлено многочисленными публикациями, в которых рассматривались теоретические пути дальнейшего развития. Однако позднее стало очевидно, что завышенные ожидания общества и государства не оправдываются, при этом исследования требовали все больший объем финансирования. Многие крупные программы были остановлены, СМИ также стали реже писать на эту тему.
Толчок к возобновлению работы дала конкуренция Японии с Великобританией и США. Оказалось, что Япония продолжила исследования, были достаточно успешные проекты. В частности, был представлен робот WABOT-1, который внешним видом имитировал человека и обладал определенным интеллектом.
Наиболее значимые разработки западных специалистов:
— появление более сложных экспертных систем. К примеру, они могли уже диагностировать заболевания по набору признаков, рассчитывать дозировку лекарств и многое другое;
— появились алгоритмы обратного распространения ошибки, что позволило повысить эффективность обучения.
1990–2000-е года. Машины стали играть наравне с людьми
Дальнейший рост производительности компьютерной техники позволил создавать более сложные алгоритмы машинного обучения. Специалисты получили возможность внедрять новые технологии, проводить сложные расчеты, анализировать возможное развитие с учетом сделанного выбора. Ключевые события:
— разработано ПО Dragon Systems для распознавания естественной речи;
— в 1997 году специализированный компьютер Deep Blue, разработанный специалистами IBM, смог обыграть в шахматы Гарри Каспарова. Напомним, на тот момент он был действующим чемпионом мира по игре в шахматы;
— элементы ИИ начали внедряться в бытовые приборы. В частности, был разработан первый робот-пылесос Roomba. Были реализованы ключевые элементы, которые используются и сегодня – возможность обходить определенную локацию для уборки;
— в 2004 году на Марс были отправлены сразу два робота NASA для исследования поверхности – Opportunity и Spirit. Устройства смогли собрать огромный массив данных о планете, включая особенности поверхности и атмосферы;
— в 2009 году ряд компаний, включая Google, начали работу над автомобилями с автопилотом. Ряд проектов были достаточно успешными, автомобилям удалось пройти тесты на самостоятельное вождение по тестовой площадке.
Несколько лет назад ИИ начал развиваться очень бурно, чему способствовали различные факторы:
— появление мощных компьютеров, которые могли обрабатывать большие массивы данных;
— социальные ресурсы позволили накопить необходимый объем данных, который в дальнейшем стали использовать для обучения новых моделей;
— разработаны новые технологии, которые позволили ускорить развитие ИИ и нейронных сетей. Машинное обучение стало более доступным, что позволило даже небольшим компаниям разрабатывать собственные решения.
В декабре 2012 года группа исследователей опубликовала собственный отчет о новых сверточных нейронных сетях. Тогда их проект позволил одержать победу в популярном конкурсе классификации изображений ImageNet. На тот момент это была востребованная задача, в рамках которой необходимо было распределить фотографии по определенным признакам. Для человека это достаточно простая задача, например, достаточно одного взгляда, чтобы отличить кота от собаки. Однако для нейросети она была нерешенной много лет. Необходимо было научить алгоритм разбивать изображение на отдельные пиксели и выделять элементы, которые с достаточно точностью позволят произвести классификацию. Представленная модель была основана на нейросети с большим количеством слоев, что и позволило получить нужную эффективность. Изображения распознавались с точностью до 85%, что на тот момент было невероятным результатом.
В гонку ImageNet вступили многие компании по всему миру, уже через два года показатель был увеличен 96%, что превосходило возможности человека. Такого результата удалось добиться при помощи сверточных сетей, которые были хорошо адаптированы под такие задачи. Искусственный интеллект начал активно проникать во многие сферы: распознавание голоса, финансовый анализ, компьютерные игры, беспилотные роботы и автомобили.
Можно с уверенностью сказать, что за последние 10 лет появилось больше разработок, чем за всю длительную историю развития нейросетей. Основные достижения:
— в 2011 году была официально анонсирована Siri от Apple. Виртуальный помощник мог распознавать голосовые команды и давать корректные ответы;
— в 2011 году системе Watson удалось победить в популярной викторине Jeopardy!, обойдя по очкам двух бывших чемпионов. Watson представляет собой систему для предоставления ответов на основе собственной базы знаний, создана компанией IBM. В этом же году произошло еще одно знаменательное событие – чат-бот Юджин Густман смог пройти тест Тьюринга, заставив судей поверить, что они общаются с человеком.
— в 2016 году был представлен робот София, способный менять выражение лица с учетом текущей ситуации, поддерживать разговор и распознавать окружающие предметы;
— в 2017 году специалисты Facebook представили двух чат-ботов, которые могли общаться между собой. Их особенность заключалась в том, что в процессе диалога они могли обучаться и совершенствовать свои навыки. Это привело к достаточно неожиданным результатам – боты изобрели собственный язык для общения и активно его использовали;
— 2023 год. Активное развитие генеративных сетей, которые позволяют создавать реалистичное видео и фото. Также мир узнал о возможностях больших языковых моделей (ChatGPT и аналоги).
Сферы использования
— рекомендательные системы. Многие сервисы потокового видео используют встроенные модули для анализа текущих предпочтений на базе ИИ. Это позволяет формировать подборку контента, которая может заинтересовать пользователя. Для анализа используются поисковые запросы, лайки, просмотренные видео;
— голосовые помощники. Собственные ассистенты есть у многих компаний, например, Алиса от Яндекса, Google Assistant. Они используют ИИ для распознавания голоса, отвечая на вопросы или управляя внешними устройствами;
— распознавание образов. Сегодня даже в обычных смартфонах можно встретить редакторы, в которых есть функция распознавания объектов. Схожий функционал часто встраивают непосредственно в приложение для камеры, что позволяет, к примеру, найти описание предмета, просто его сфотографировав;
— финансовые аналитические системы. Нейросети активно используются для анализа данных, прогнозирования ситуации на рынке, оценки уровня рисков;
— автономные транспортные системы. ИИ активно используется в авиации для реализации системы автопилота. Активно ведется разработка автономных автомобилей, есть уже тестовые проекты, внедренные на реальных маршрутах. Алгоритм обеспечивает необходимые меры для безопасного перемещения – отслеживается текущая обстановка на дороге, возможные препятствия. На основе полученных данных принимается решение о скорости и траектории. Для обеспечения работы используется большое количество различных датчиков, включая камеры для кругового обзора и радары для получения расстояния до выбранного объекта;
— игровая индустрия. В компьютерных играх часто используются дополнительные персонажи, которые вовлечены в игровой сюжет. Для глубокого погружения в игру они должны обеспечивать сложное поведение, например, реагировать на действия пользователя и общую обстановку на локации. Поскольку используется большое количество факторов, старый подход на основе набора триггеров уже не обеспечивает нужный эффект;
— перевод текстов. Современные сервисы машинного перевода также основаны на ИИ, что позволяет улучшить качество работы. Для обучения используется подготовленные тексты на разных языках, что позволяет учитывать основные тонкости разных языков;
— робототехника. Роботы получают возможность полноценно взаимодействовать с окружающим миром – перетаскивать предметы, обходить препятствия, балансировать, реагировать на изменение обстановку, узнавать людей и многое другое;
— диагностика в медицине. Предварительно обученные модели успешно справляются с анализом результатов МРТ, рентгеновских снимков и других исследований. Это облегчает работу врачей и уже активно используется на практике.
Ключевые принципы искусственного интеллекта
1. Для корректной работы искусственный интеллект должен использовать большие объемы данных. К примеру, виртуальные ассистенты могут использовать общедоступную информацию в сети для генерации ответа на поставленный вопрос. Это хорошо работает, если необходимо получить определенные факты из реального мира – текущий курс валют, описание исторических событий, математические формулы и так далее. Качество обучения также напрямую зависит от первоначального объема данных.
Для оценки объема необходимых данных используется «правило 10 раз». Упрощенно говоря, количество необходимых примеров должно в 10 раз превышать необходимое количество параметров (степеней свободы) исходного объекта. К примеру, для алгоритма, который должен научиться отличать собаку от кошки, предусмотрено 1000 отдельных параметров. Это означает, что минимальный набор для реализации качественного обучения – 10 тысяч изображений.
2. Используемые модели и алгоритмы машинного обучения. Более простые алгоритмы могут просто не обеспечивать нужную точность предсказания. Поэтому и появились глубокие нейронные сети и новые алгоритмы обработки данных.
3. Вычислительная мощность. Поскольку на этапе обучения используются большие массивы данных, более мощная аппаратная часть позволяет ускорить данный процесс.
4. Реализация коммуникации на естественном языке. Самый простой пример – чат-боты, которые способны поддерживать полноценный диалог с пользователем.
5. ИИ должен при необходимости адаптироваться к новым внешним условиям. К примеру, автопилот автомобиля должен адаптироваться к изменению дорожных условий, понимать новые знаки, накапливать описание возможных ситуаций на дороге, чтобы улучшать качество работы. Для получения обратной связи водитель также должен иметь возможность в полной мере контролировать работу системы.
6. Обеспечение приватности данных и безопасность. К примеру, в медицинских системах данные пользователей должны быть надежно защищены.
7. Интерпретируемость. ИИ должен предоставлять возможность просмотреть факторы, которые привели к выбору ответа. К примеру, система для анализа кредитных заявок должна обеспечить возможность посмотреть, почему именно заявка была отклонена. Такой инструмент будет полезен и специалистам, которые контролируют работу ИИ.
8. Возможность интеграции с другими системами. Модель для отслеживания предпочтений пользователя в интернет-магазине, должна обеспечивать сайту возможность реализовать полученную информацию.
9. Этические принципы. Важный аспект для многих направлений. К примеру, если ИИ используется при отборе кандидатов на вакансию, не должна допускаться дискриминация по возрасту, полу, цвету кожи и так далее.
Перспективы развития
Многие коммерческие структуры сегодня планируют использовать генеративные ИИ в своей деятельности, поскольку это позволяет заметно сократить расходы и повысить общую эффективность работы. При этом многие специалисты опасаются, что такая тенденция усилит безработицу. На это есть определенные основания, поскольку уже сегодня нейросети успешно справляются с задачами определенных специалистов – копирайтеры, дизайнеры, специалисты службы поддержки и так далее.
Специалисты крупной консалтинговой компании McKinsey опубликовали собственный прогноз влияния генеративных моделей на различные сферы. В частности рассмотрен период с 2040 по 2060 год. Самые оптимистичные прогнозы подразумевают, что элементы автоматизации затронут более 850 профессий. Ключевые выводы аналитиков:
— разработка ПО, сектор маркетинга, работа с клиентами – до 75% совокупной финансовой выгоды после внедрения ИИ;
— наибольшее экономическое развитие будет зафиксировано в сфере информационных технологий;
— генеративный ИИ продолжит активно развиваться и до 2060 года позволит автоматизировать до половины рабочих задач, которые в данный момент могут выполняться только людьми. Ключевыми направлениями останется работа с естественным языком и логическое рассуждение.
Последние опросы показывают, что люди серьезно воспринимают угрозу конкуренции со стороны ИИ. В частности, опрос американской компании CNBC показывает, что 24% респондентов обеспокоены, что в будущем лишатся работы, не выдержав конкуренции с нейросетью.
Перспективы развития с позиции сценаристов
В настоящее время пока сложно прогнозировать, как ближайшие 40-50 лет будет развиваться данная сфера. Однако ряд известных сценаристов и писателей успели представить свое видение. Далее будет представлено несколько распространенных сценариев.
Особенности развития слабого ИИ
Это тип модели, которая изначально предназначена для решения специфических задач, но при этом далека от появления самосознания. Такие системы активно используются уже сегодня. В качестве возможного сценария можно рассмотреть сюжет фильма «Her». В картине исследуется тема человеческих эмоций в процессе работы с искусственным интеллектом. Много внимания уделено возможным этапам развития таких сетей.
По сюжету писатель начинает испытывать чувства к Саманте – операционной системе с ИИ. Платформе удается развивать новые эмоциональные связи, адаптироваться к его желаниям и потребностям. При этом она осознает собственные ограничения и отказывается претендовать на человеческие эмоции или переход к полному самосознанию.
При этом у зрителя периодически возникают ассоциации с элементами из нашего времени. В частности, Саманта, это вариант дальнейшего развития всем известного ассистента Алиса.
Особенности развития сильного ИИ
В основе такого сценария лежит модель, которая по многим параметрам уже превосходит способности человеческого мозга. Это достаточно популярная тема в современном кинематографе. К примеру, фильм «200-летний человек» рассказывает о роботе Эндрю, которому удается пройти путь от примитивного помощника до индивидуума, который обладает человеческими эмоциями. В процессе, противостояния ему удается добиться признания своей человечности со стороны общества. Раскрывается достаточно сложная тема – особенности прохождения границы между полноценным человеческим созданием и ИИ.
Разумные роботы пока находятся в области фантастики, нет предпосылок для их появления. Да, возможности современных языковых моделей заметно расширились, однако до самосознания еще очень далеко.