Recent, publicațiile despre perspectivele apariției inteligenței artificiale au devenit mai frecvente. Sunt discutate aspectele practice și moral-etice ale coexistenței omenirii cu el. Cât de oportune sunt aceste discuții? Ne putem aștepta cu adevărat la apariția „mașinilor gânditoare”?
Toate proiectele de creare a inteligenței artificiale pot fi împărțite aproximativ în două domenii. Prima este acumularea bazelor de date și prelucrarea acestora prin programe care imită activitatea creierului uman. Al doilea se bazează pe studiul modelelor de comportament intelectual. Dezavantajul esențial al ambelor este că încă nu știm suficient de bine care este mintea și comportamentul intelectual, iar creierul uman, sincer, a fost serios studiat relativ recent.
Există o părere că problema poate fi ocolită din cauza cyborgilor, adică prin fuzionarea unui creier viu (ape și, în viitor, un om) cu un computer, totuși, această cale este plină de dificultăți enorme și, chiar mai rău, în acest caz va fi imposibil să vorbim despre inteligență artificială deplină.
Cu toate acestea, oamenii de știință cred că este destul de realist să sari peste mai mulți pași, permițând inteligenței artificiale să se dezvolte independent - la fel cum s-a dezvoltat în natură vie, cu diferența că evoluția sa va avea loc în spațiul virtual, nu material. Aici, pariul este plasat pe rețele neuronale artificiale sau rețele neuronale (Artificial Neural Network).
Să ne amintim ce este un neuron. Acesta este numele unei celule nervoase, care diferă de alte celule, prin faptul că este capabilă să stocheze și să transmită informații prin semnale electrice și chimice. Funcția neuronilor a fost descoperită la sfârșitul secolului al XIX-lea, care, desigur, a jucat pe mâinile materialiștilor care câștigau autoritate în întreaga lume în acea perioadă: au declarat imediat că este vorba despre neuroni care conțineau „sufletul”. De aici ideea că dacă crești cumva o copie exactă a creierului, atunci se va naște un „suflet” în el. Dar a apărut o întrebare filosofică: este posibil să vorbim despre un „suflet” fără motiv? La urma urmei, este un produs al creșterii, așa cum arată studiul „Mowgli” - copii umani crescuți de animale. În consecință, nu este suficient să creezi o copie a creierului - trebuie totuși „educat” pentru a obține inteligență.
FINE TEHNICĂ
Creierul unui adult normal conține aproximativ 86 de miliarde de neuroni. Nu cu mult timp în urmă, ideea creării unui analog digital a părut absolut fantastică. Cu toate acestea, astăzi, odată cu dezvoltarea tehnologiei informației, acest lucru pare deja realizabil.
Video promotional:
Trebuie amintit că celebrul matematician american Norbert Wiener, „tatăl” ciberneticii, este considerat fondatorul teoriei modelării proceselor biologice complexe, inclusiv a proceselor cerebrale. În 1949, psihologul canadian Donald Hebb, specialist în studiul proceselor de gândire, bazat pe calculele lui Wiener, a compilat primul algoritm de pregătire pentru rețelele neuronale (apropo, Hebb a servit în CIA, unde s-a ocupat de problema spălării creierului).
În 1957, americanul Frank Rosenblatt, un teoretician al inteligenței artificiale, pe baza lucrărilor sale anterioare, a creat o diagramă logică a perceptronului - un model cibernetic de auto-învățare al creierului, care a fost implementat trei ani mai târziu pe baza computerului electronic Mark-1. Perceptronul transmite semnale de la fotocelule (senzori, celule S) la blocuri de celule de memorie electromecanice care sunt conectate la întâmplare. Dacă una dintre celule primește un semnal care depășește valoarea pragului, atunci îl transmite în continuare - către adăugător (element R) și cu un anumit coeficient („greutatea” conexiunii AR). În funcție de suma semnalului înmulțit cu factorii de greutate, adăugătorul produce unul dintre cele trei rezultate posibile către ieșirea întregului sistem: -1, 0 și +1. Antrenamentul perceptronului are loc în etapa introducerii coeficienților de greutate în sistem. De exemplu,plasăm o figură „pătrată” în fața fotocelelor și setăm regula: când un pătrat apare în câmpul vizual, perceptronul ar trebui să dea un rezultat pozitiv (+1), iar când apare orice alt obiect, negativ (-1). Apoi schimbăm obiectele unul câte unul și reglăm greutățile atunci când apare un pătrat în direcția creșterii, iar în absența acestuia - în direcția de scădere. Drept urmare, obținem o serie unică de valori ale coeficienților de greutate din cadrul sistemului pentru orice variantă a aspectului unui pătrat, iar în viitor îl putem folosi pentru a recunoaște pătratele. „Mark-1”, în ciuda primitivității sale în comparație cu computerele moderne, putea recunoaște nu numai forme geometrice, ci și litere ale alfabetului și scrise cu scrieri de mână diferite.când un pătrat apare în câmpul vizual, perceptronul ar trebui să dea un rezultat pozitiv (+1) și când apare orice alt obiect - negativ (-1). Apoi schimbăm obiectele unul câte unul și reglăm greutățile atunci când apare un pătrat în direcția creșterii, iar în absența acestuia - în direcția de scădere. Drept urmare, obținem o serie unică de valori ale coeficienților de greutate din cadrul sistemului pentru orice variantă a aspectului unui pătrat, iar în viitor îl putem folosi pentru a recunoaște pătratele. „Mark-1”, în ciuda primitivității sale în comparație cu computerele moderne, putea recunoaște nu numai forme geometrice, ci și litere ale alfabetului și scrise cu scrieri de mână diferite.când un pătrat apare în câmpul vizual, perceptronul ar trebui să dea un rezultat pozitiv (+1) și când apare orice alt obiect - negativ (-1). Apoi schimbăm obiectele unul câte unul și reglăm greutățile atunci când apare un pătrat în direcția creșterii, iar în absența acestuia - în direcția de scădere. Drept urmare, obținem o serie unică de valori ale coeficienților de greutate din cadrul sistemului pentru orice variantă a aspectului unui pătrat, iar în viitor îl putem folosi pentru a recunoaște pătratele. „Mark-1”, în ciuda primitivității sale în comparație cu computerele moderne, putea recunoaște nu numai forme geometrice, ci și litere ale alfabetului și scrise cu scrieri de mână diferite. Apoi schimbăm obiectele unul câte unul și reglăm greutățile atunci când apare un pătrat în direcția creșterii, iar în absența acestuia - în direcția de scădere. Drept urmare, obținem o serie unică de valori ale coeficienților de greutate din cadrul sistemului pentru orice variantă a aspectului unui pătrat, iar în viitor îl putem folosi pentru a recunoaște pătratele. „Mark-1”, în ciuda primitivității sale în comparație cu computerele moderne, putea recunoaște nu numai forme geometrice, ci și litere ale alfabetului și scrise cu scrieri de mână diferite. Apoi schimbăm obiectele unul câte unul și reglăm greutățile atunci când apare un pătrat în direcția creșterii, iar în absența acestuia - în direcția de scădere. Drept urmare, obținem o serie unică de valori ale coeficienților de greutate din cadrul sistemului pentru orice variantă a aspectului unui pătrat, iar în viitor îl putem folosi pentru a recunoaște pătratele. Mark-1, în ciuda primitivității sale în comparație cu calculatoarele moderne, putea recunoaște nu numai forme geometrice, ci și litere ale alfabetului, de altfel, scrise cu scrieri de mână diferite. Drept urmare, obținem o serie unică de valori ale coeficienților de greutate din cadrul sistemului pentru orice variantă a aspectului unui pătrat, iar în viitor îl putem folosi pentru a recunoaște pătratele. Mark-1, în ciuda primitivității sale în comparație cu calculatoarele moderne, putea recunoaște nu numai forme geometrice, ci și litere ale alfabetului, de altfel, scrise cu scrieri de mână diferite. Drept urmare, obținem o serie unică de valori ale coeficienților de greutate din cadrul sistemului pentru orice variantă a aspectului unui pătrat, iar în viitor îl putem folosi pentru a recunoaște pătratele. Mark-1, în ciuda primitivității sale în comparație cu calculatoarele moderne, putea recunoaște nu numai forme geometrice, ci și litere ale alfabetului, de altfel, scrise cu scrieri de mână diferite.
CELE MICI
Desigur, de atunci au apărut multe circuite, algoritmi și variante mai complexe. Cu toate acestea, această abordare a organizării unui model de rețea neuronală are limitări fundamentale: de exemplu, perceptronii sunt neputincioși să rezolve problema divizării unei figuri în părți separate sau determinarea poziției relative a figurilor.
Când a devenit clar că este imposibil să se construiască inteligență artificială bazată pe perceptroni, interesul pentru ei a scăzut. Cu toate acestea, la începutul anilor '80, au apărut noi variante ale rețelelor neuronale de auto-învățare și autoorganizare: rețeaua Hopfield, rețeaua Hamming, rețeaua Kohonen, rețeaua Iordaniei și altele. În 1986, a avut loc un fel de revoluție: oamenii de știință sovietici și americani au dezvoltat o metodă de backpropagation (algoritm iterativ de gradient), care a făcut posibilă depășirea limitărilor descoperite anterior. După aceea, rețelele neuronale au primit o dezvoltare rapidă, care a fost implementată imediat în programele de calculator aplicate.
Pachetele software moderne bazate pe rețele neuronale artificiale sunt capabile să recunoască texte complexe, comenzi de sunet, fețe, gesturi și expresii faciale în mod arbitrar. Cu toate acestea, acestea sunt doar cele mai simple cazuri de utilizare, există și altele mai neobișnuite. Automobile-auto-învățare capabile să răspundă la dezvoltarea situațiilor catastrofale mai devreme decât piloții. Inspectorii de schimb identificând tranzacții suspecte pe piețele bursiere. Agenți publicitari de rețea care urmăresc preferințele potențialilor clienți. Diagnostici medicali care determină patologiile la sugari.
Este clar că, pe măsură ce tehnologiile informaționale se îmbunătățesc, rețelele neuronale vor deveni, de asemenea, mai complexe. Ei vor gestiona toate aparatele de uz casnic și suportul de viață pentru case, fabrici și supermarketuri. Ele pot monitoriza amenințările, analiza tendințele și pot oferi sfaturi, de exemplu, cu privire la investiția optimă de bani. Vor putea chiar să creeze obiecte de artă: există deja tablouri și poezii scrise de rețele neuronale!
SFÂRȘIT SAU PRIETENI?
De fapt, totul se duce la faptul că o rețea neuronală va deveni într-o zi un asistent de neînlocuit în o mie de chestiuni mari și mici. Futuristii se tem de acest lucru. Ei cred că la un moment dat, cantitatea se va transforma în calitate, inteligența artificială va apărea în rețelele neuronale, care vor provoca imediat umanitatea și o vor distruge. O altă opțiune este de asemenea posibilă - oamenii vor deveni atât de dependenți de deciziile luate de rețeaua neuronală încât ei înșiși nu vor observa cum se vor transforma în sclavii săi.
Scenariile înfricoșătoare ca acestea par prea ciudate. Cert este că rețelele neuronale sunt structurate inițial pentru a se adapta nevoilor unei anumite persoane sau grup de persoane. Acestea pot ajuta la corectarea unei greșeli sau pot da sfaturi, evidențiază o problemă sau pot observa o înșelăciune, însă ei înșiși nu sunt capabili să facă o alegere între opțiuni echivalente, pentru că noi (din păcate sau din fericire) nu le vom putea învăța principalul lucru - moralitatea. Prin urmare, în orice moment, rețelele neuronale vor fi ca niște câini domestici - ascultători, fideli și prietenoși.
Anton Pervushin
