Главная » Разное » Искусственный интеллект что это такое кратко

Искусственный интеллект что это такое кратко


Что такое искусственный интеллект и как он работает

Искусственный интеллект – это технология, а точнее направление современной науки, которое изучает способы обучить компьютер, роботизированную технику, аналитическую систему разумно мыслить также как человек. Собственно мечта об интеллектуальных роботах-помощниках возникла задолго до изобретения первых компьютеров.

Людей в середине 50-х годов прошлого столетия сильно поразили возможности вычислительных машин, особенно способности ЭВМ, безошибочно выполнять множество задач одновременно. В головах ученых и писателей сразу возникли фантастические идеи о мыслящих машинах. Именно в этот период начинают зарождаться первые технологии искусственного интеллекта.

Исследования в сфере ИИ ведутся путем изучения умственных способностей человека и переложения полученных результатов в поле деятельности компьютеров. Таким образом, искусственный интеллект получает информацию из самых разных источников и дисциплин. Это и информатика, математика, лингвистика, психология, биология, машиностроение. На основе массива данных с помощью технологии машинного обучения компьютеры пытаются имитировать интеллект человека.

Главные цели ИИ достаточно прозрачны:

  • Создание аналитических систем, которые обладают разумным поведением, могут самостоятельно или под надзором человека обучаться, делать прогнозы и строить гипотезы на основе массива данных.
  • Реализация интеллекта человека в машине – создание роботов-помощников, которые могут вести себя как люди: думать, учиться, понимать и выполнять поставленные задачи.

История развития искусственного интеллекта

Авторство термина «искусственный интеллект» приписывают Джону Маккарти – основоположнику программирования, изобретателю языка Лисп. В 1956 году будущий лауреат престижной премии Тьюринга продемонстрировал в университете Карнеги-Меллон прототип программы на основе ИИ.

Умными роботами человечество начало грезить в первой четверти 20 века. Известный литератор Карел Чапек в 1924 года поставил в лондонском театре пьесу «Универсальные роботы». Представление поразило публику, а слово «робот» прочно вошло в обиход.

В 1943-45 годах закладываются основы для понимания и создания нейронных сетей, а уже в 1950 году Алан Тьюринг публикует в научном издании анализ интеллектуальной шахматной игры. В 1958 году появляется первый язык программирования искусственного интеллекта – Лисп.

В период с 1960 по 1970 ряд ученых доказали, что компьютеры способны понимать естественный язык на достаточно хорошем уровне. В 1965 году разработали Элизу – первого робота-помощника, который мог говорить на английском языке. В эти же годы направление ИИ стало привлекать правительственные и военные организации США, СССР и других стран. Так Министерство обороны США уже к 70-м годам запустило проект виртуальных уличных карт – прототип GPS.

В 1969 году ученые Стэнфордского университета создали Шеки – робота с ИИ, способного самостоятельно перемещаться, воспринимать некоторые данные и решать несложные задачи.

В Эдинбургском университете четырьмя годами позже (1973) был создан робот Фредди – это шотландский представитель семейства ИИ мог использовать компьютерное зрение для того, чтобы находить и собирать разные модели.

В СССР искусственный интеллект также развивался стремительно. Академики А.И. Берг и Г.С.Поспелов в 1954-64 годах создают программу «АЛПЕВ ЛОМИ», которая автоматически доказывает теоремы. В эти же годы советскими учеными был разработан алгоритм «Кора», который моделирует деятельность человеческого мозга при распознавании образов. В 1968 году Турчиным В.Ф создается символьный язык обработки данных РЕФАЛ.

80-е годы XX века стали прорывными для ИИ. Учеными были разработаны обучающие машины – интеллектуальные консультанты, которые предлагали варианты решений, умели самообучаться на начальном уровне, общались с человеком на ограниченном, но уже естественном языке.

В 1997 году создали известную шахматную программу – компьютер «Дип Блю», который обыграл чемпиона мира по шахматам Гарри Каспарова. В эти же годы Япония приступает к разработке проекта компьютера 6-го поколения на основе нейросетей.

Интересен факт, что в 1989 году другая шахматная программа Deep Thought обыграла гроссмейстера международного уровня Бента Ларсена. После этого поединка машины и человека, Гарри Каспаров заявил:

«Если интеллектуальная машина сможет переиграть в шахматы лучшего из лучших, значит, она сможет писать самую лучшую музыку, сочинять самые лучшие книги. Я не могу в это поверить. Когда я узнаю, что ученые создали компьютер с рейтингом интеллекта 2800, то есть равному моему, я сам вызову машину на шахматный поединок, чтобы защитить человеческую расу»


В 2000-е годы вновь появился интерес к робототехнике. ИИ активно внедряется в космическую отрасль, а также осваивается в бытовой сфере. Появляются системы умного дома, «продвинутые» бытовые устройства. Роботы Кисмет и Номад исследуют районы Антарктиды.

С 2008 начинается эра технологической сингулярности, которая по расчетам экспертов должна выйти в зенит в 2030 году. Начинается интеграция человека с вычислительными машинами, увеличиваются возможности человеческого мозга, появляются биотехнологии.

Принципы ИИ

Прежде чем описываться технологические принципы, без которых немыслимо развитие искусственного интеллекта, стоит познакомиться с этическими законами робототехники. Их в 1942 году вывел Айзек Азимов в своём романе «Хоровод»:

  • Робот или система с искусственным интеллектом не может навредить человеку своим действием или же своим бездействием допустить, чтобы человеку был приченен вред.
  • Робот должен повиноваться приказам, которые получает от человека, кроме тех, которые противоречат Первому закону.
  • Робот должен заботиться о своей безопасности, если это не противоречит Первому и Второму Законам.

До выхода в свет романа Азимова, искусственный интеллект ассоциировался с образом Франкенштейна Мэри Шелли. Искусственно созданное подобие человека с разумом восстает против людей. Эту же страшилку перенесли и в знаменитый блокбастер Голливуда «Терминатор».


Интересен факт, что в 1986 году Айзек Азимов дописал еще один пункт к законам робототехники. Писатель предпочел назвать его «нулевым»:

0. Робот не может навредить человеку, если только не докажет, что в конечном итоге это (вред) будет полезно для всего человечества.

Разобравшись с этическими законами, перейдем к технологическим принципам искусственного интеллекта:

  • Машинное обучение (МО) – принцип развития ИИ на основе самообучающихся алгоритмов. Участие человека при таком подходе ограничивается загрузкой в «память» машины массива информации и постановкой целей. Существует несколько методик МО: обучение с учителем – человек задает конкретную цель, хочет проверить гипотезу или подтвердить закономерность. Обучение без учителя – результат интеллектуальной обработки данных неизвестен – компьютер самостоятельно находит закономерности, учится думать как человек. Глубокое обучение – это смешанный способ, главное отличие в обработке больших массивов данных и использование нейросетей.

  • Нейросеть – математическая модель, которая имитирует строение и функционирование нервных клеток живого организма. Соответственно в идеале – это самостоятельно обучаемая система. Если перенести принцип на технологическую основу, то нейросеть – это множество процессоров, которые выполняют какую-то одну задачу в масштабном проекте. Другими словами суперкомпьютер – это сеть из множества обычных компьютеров.

  • Глубокое обучение относят в отдельный принцип ИИ, так как этот метод используется для обнаружения закономерностей в огромных массивах информации. Для такой непосильной человеку работы, компьютер использует усовершенствованные методики.
  • Когнитивные вычисления – одно их направлений ИИ, которое изучает и внедряет процессы естественного взаимодействия человека и компьютера, наподобие взаимодействия между людьми. Цель технологии искусственного интеллекта заключается в полной имитации человеческой деятельности высшего порядка – речь, образное и аналитическое мышление.
  • Компьютерное зрение – это направление ИИ используется для распознавания графических и видеоизображений. Сегодня машинный интеллект может обрабатывать и анализировать графические данные, интерпретировать информацию в соответствии с окружающей обстановкой.

  • Синтезированная речь. Компьютеры уже могут понимать, анализировать и воспроизводить человеческую речь. Мы уже можем управлять программами, компьютерами и гаджетами с помощью речевых команд. Например, Siri или Google assistant, Алиса в Яндексе и другие.

Кроме того, трудно представить существование искусственного интеллекта без мощных графических процессоров, которые являются сердцем интерактивной обработки данных. Для интеграции ИИ в различные программы и устройства необходима технология API – программные интерфейсы приложений. Используя API можно без труда добавлять технологии искусственного интеллекта в любые компьютерные системы: домашняя безопасность, умный дом, оборудование на ЧПУ и прочее.

Сфера использования ИИ


Искусственный интеллект постепенно приходит во все отрасли человеческой деятельности, делая обычные программные комплексы интеллектуальными:

  • Медицина и здравоохранение. Компьютерные системы ведут учет пациентов, помогают в расшифровке диагностических результатов. Например, снимки УЗИ, рентгена, томографа и другого медоборудования. Интеллектуальные системы даже могут по наличию признаков у пациента определять болезнь, предлагать оптимальные варианты лечения. В магазине приложений Гугла можно найти программы-помощники здорового образа жизни. Эти приложения считывают пульс и температуру тела при касании дисплея телефона палицами, чтобы определить уровень стресса человека и подсказать, как его снизить.
  • Розничные продажи в онлайн-магазинах. Многим уже знакома релевантная реклама Гугла и Яндекса. С её помощью ритейлеры предлагают товары и услуги в соответствии с интересами пользователя. Например, вы посещали интернет-магазин купальников, какие-то модели рассматривали, читали характеристики и прочее. Покинув магазин, вы некоторое время будете видеть рекламу купальников на других сайтах. По схожему принципу работают блоки «похожие товары» в интернет-магазинах. Системы аналитики изучают поведенческие метрики пользователя, определяют его покупательские пристрастия и показывают релевантные (по их мнению) предложения.
  • Политика. Интеллектуальные машины помогли Барак Обаме выиграть вторые президентские выборы. Для своей кампании тогда ещё действующий президент США нанял лучшую команду профессионалов в области анализа данных. Специалисты использовали возможности интеллектуальных машин, чтобы рассчитать наилучший день, штат и аудиторию для выступлений Обамы. По оценкам специалистов это дало перевес в 10-12%.
  • Промышленность. Искусственный интеллект может анализировать данные с разных производственных участков и регулировать нагрузку на оборудование. Кроме того, интеллектуальные машины используются для прогнозирования спроса в разных отраслях промышленности.
  • Игровая индустрия, образование. Искусственный интеллект активно применяется создателями игр. Умные машины, робототехника постепенно внедряются в образовательные процессы большинства государств.

Основные проблемы ИИ


Как вы понимаете возможности искусственного интеллекта на данной стадии развития не безграничны. Перечислим главные трудности:

  1. Обучение машин возможно только на основе массива данных. Это означает, что любые неточности в информации сильно сказываются на конечном результате.
  2. Интеллектуальные системы ограничены конкретным видом деятельности. То есть умная система, настроенная на выявление мошенничества в сфере налогообложения, не сможет выявлять махинации в банковской сфере. Мы имеем дело с узкоспециализированными программами, которым ещё далеко до многозадачности человека.
  3. Интеллектуальные машины не являются автономными. Для обеспечения их «жизнедеятельности» необходима целая команда специалистов, а также большие ресурсы.

Резюме

Мы познакомились с понятием, что такое искусственный интеллект. Изучили основные принципы: этические и технологические. Рассмотрели главные препятствия на пути развития ИИ. Искусственный интеллект тесно связан с развитием компьютерной техники, а также таких наук как математика, статистика, комбинаторика и других.

Всё, что вам нужно знать об ИИ — за несколько минут / Habr

Приветствую читателей Хабра. Вашему вниманию предлагается перевод статьи «Everything you need to know about AI — in under 8 minutes.». Содержание направлено на людей, не знакомых со сферой ИИ и желающих получить о ней общее представление, чтобы затем, возможно, углубиться в какую-либо конкретную его отрасль.

Знать понемногу обо всё иногда (по крайней мере, для новичков, пытающихся сориентироваться в популярных технических направлениях) бывает полезнее, чем знать много о чём-то одном.

Многие люди думают, что немного знакомы с ИИ. Но эта область настолько молода и растёт так быстро, что прорывы совершаются чуть ли не каждый день. В этой научной области предстоит открыть настолько многое, что специалисты из других областей могут быстро влиться в исследования ИИ и достичь значимых результатов.

Эта статья — как раз для них. Я поставил себе целью создать короткий справочный материал, который позволит технически образованным людям быстро разобраться с терминологией и средствами, используемыми для разработки ИИ. Я надеюсь, что этот материал окажется полезным большинству интересующихся ИИ людей, не являющихся специалистами в этой области.

Введение


Искусственный интеллект (ИИ), машинное обучение и нейронные сети — термины, используемые для описания мощных технологий, базирующихся на машинном обучении, способных решить множество задач из реального мира.

В то время, как размышление, принятие решений и т.п. сравнительно со способностями человеческого мозга у машин далеки от идеала (не идеальны они, разумеется, и у людей), в недавнее время было сделано несколько важных открытий в области технологий ИИ и связанных с ними алгоритмов. Важную роль играет увеличивающееся количество доступных для обучения ИИ больших выборок разнообразных данных.

Область ИИ пересекается со многими другими областями, включая математику, статистику, теорию вероятностей, физику, обработку сигналов, машинное обучение, компьютерное зрение, психологию, лингвистику и науку о мозге. Вопросы, связанные с социальной ответственностью и этикой создания ИИ притягивают интересующихся людей, занимающихся философией.

Мотивация развития технологий ИИ состоит в том, что задачи, зависящие от множества переменных факторов, требуют очень сложных решений, которые трудны к пониманию и сложно алгоритмизируются вручную.

Растут надежды корпораций, исследователей и обычных людей на машинное обучение для получения решений задач, не требующих от человека описания конкретных алгоритмов. Много внимания уделяется подходу «чёрного ящика». Программирование алгоритмов, используемых для моделирования и решения задач, связанных с большими объёмами данных, занимает у разработчиков очень много времени. Даже когда нам удаётся написать код, обрабатывающий большое количество разнообразных данных, он зачастую получается очень громоздким, трудноподдерживаемым и тяжело тестируемым (из-за необходимости даже для тестов использовать большое количество данных).

Современные технологии машинного обучения и ИИ вкупе с правильно подобранными и подготовленными «тренировочными» данными для систем могут позволить нам научить компьютеры «программировать» за нас.

Обзор


Интеллект — способность воспринимать информацию и сохранять её в качестве знания для построения адаптивного поведения в среде или контексте

Это определение интеллекта из (англоязычной) Википедии может быть применено как к органическому мозгу, так и к машине. Наличие интеллекта не предполагает наличие сознания. Это — распространённое заблуждение, принесённое в мир писателями научной фантастики.

Попробуйте поискать в интернете примеры ИИ — и вы наверняка получите хотя бы одну ссылку на IBM Watson, использующий алгоритм машинного обучения, ставший знаменитым после победы на телевикторине под названием «Jeopardy» в 2011 г. С тех пор алгоритм претерпел некоторые изменения и был использован в качестве шаблона для множества различных коммерческих приложений. Apple, Amazon и Google активно работают над созданием аналогичных систем в наших домах и карманах.

Обработка естественного языка и распознавание речи стали первыми примерами коммерческого использования машинного обучения. Вслед за ними появились задачи другие задачи автоматизации распознавания (текст, аудио, изображения, видео, лица и т.д.). Круг приложений этих технологий постоянно растёт и включает в себя беспилотные средства передвижения, медицинскую диагностику, компьютерные игры, поисковые движки, спам-фильтры, борьбу с преступностью, маркетинг, управление роботами, компьютерное зрение, перевозки, распознавание музыки и многое другое.

ИИ настолько плотно вошёл в современные используемые нами технологии, что многие даже не думают о нём как об «ИИ», то есть, не отделяют его от обычных компьютерных технологий. Спросите любого прохожего, есть ли искусственный интеллект в его смартфоне, и он, вероятно, ответит: «Нет». Но алгоритмы ИИ находятся повсюду: от предугадывания введённого текста до автоматического фокуса камеры. Многие считают, что ИИ должен появиться в будущем. Но он появился некоторое время назад и уже находится здесь.

Термин «ИИ» является довольно обобщённым. В фокусе большинства исследований сейчас находится более узкое поле нейронных сетей и глубокого обучения.

Как работает наш мозг


Человеческий мозг представляет собой сложный углеродный компьютер, выполняющий, по приблизительным оценкам, миллиард миллиардов операций в секунду (1000 петафлопс), потребляющий при этом 20 Ватт энергии. Китайский суперкомпьютер под названием «Tianhe-2» (самый быстрый в мире на момент написания статьи) выполняет 33860 триллионов операций в секунду (33.86 петафлопс) и потребляющий при этом 17600000 Ватт (17.6 Мегаватт). Нам предстоит проделать определённое количество работы перед тем, как наши кремниевые компьютеры смогут сравниться со сформировавшимися в результате эволюции углеродными.

Точное описание механизма, применяемого нашим мозгом для того, чтобы «думать» является предметом дискуссий и дальнейших исследований (лично мне нравится теория о том, что работа мозга связана с квантовыми эффектами, но это — тема для отдельной статьи). Однако, механизм работы частей мозга обычно моделируется с помощью концепции нейронов и нейронных сетей. Предполагается, что мозг содержит примерно 100 миллиардов нейронов.

Нейроны взаимодействуют друг с другом с помощью специальных каналов, позволяющих им обмениваться информацией. Сигналы отдельных нейронов взвешиваются и комбинируются друг с другом перед тем, как активировать другие нейроны. Эта обработка передаваемых сообщений, комбинирование и активация других нейронов повторяется в различных слоях мозга. Учитывая то, что в нашем мозгу находится 100 миллиардов нейронов, совокупность взвешенных комбинаций этих сигналов устроена довольно сложно. И это ещё мягко сказано.

Но на этом всё не заканчивается. Каждый нейрон применяет функцию, или преобразование, к взвешенным входным сигналам перед тем, как проверить, достигнут ли порог его активации. Преобразование входного сигнала может быть линейным или нелинейным.

Изначально входные сигналы приходят из разнообразных источников: наших органов чувств, средств внутреннего отслеживания функционирования организма (уровня кислорода в крови, содержимого желудка и т.д.) и других. Один нейрон может получать сотни тысяч входных сигналов перед принятием решения о том, как следует реагировать.

Мышление (или обработка информации) и полученные в результате его инструкции, передаваемые нашим мышцам и другим органам являются результатом преобразования и передачи входных сигналов между нейронами из различных слоёв нейронной сети. Но нейронные сети в мозгу могут меняться и обновляться, включая изменения алгоритма взвешивания сигналов, передаваемых между нейронами. Это связано с обучением и накоплением опыта.

Эта модель человеческого мозга использовалась в качестве шаблона для воспроизведения возможностей мозга в компьютерной симуляции — искуственной нейронной сети.

Искусственные Нейронные Сети (ИНС)


Искусственные Нейронные Сети — это математические модели, созданные по аналогии с биологическими нейронными сетями. ИНС способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами. Адаптивное взвешивание сигналов между искусственными нейронами достигается благодаря обучающемуся алгоритму, считывающему наблюдаемые данные и пытающемуся улучшить результаты их обработки.

Для улучшения работы ИНС применяются различные техники оптимизации. Оптимизация считается успешной, если ИНС может решать поставленную задачу за время, не превышающее установленные рамки (временные рамки, разумеется, варьируются от задачи к задаче).

ИНС моделируется с использованием нескольких слоёв нейронов. Структура этих слоёв называется архитектурой модели. Нейроны представляют собой отдельные вычислительные единицы, способные получать входные данные и применять к ним некоторую математическую функцию для определения того, стоит ли передавать эти данные дальше.

В простой трёхслойной модели первый слой является слоем ввода, за ним следует скрытый слой, а за ним — слой вывода. Каждый слой содержит не менее одного нейрона.

С усложнением структуры модели посредством увеличения количества слоёв и нейронов возрастают потенциал решения задач ИНС. Однако, если модель оказывается слишком «большой» для заданной задачи, её бывает невозможно оптимизировать до нужного уровня. Это явление называется переобучением (overfitting).

Архитектура, настройка и выбор алгоритмов обработки данных являются основными составляющими построения ИНС. Все эти компоненты определяют производительность и эффективность работы модели.

Модели часто характеризуются так называемой функцией активации. Она используется для преобразования взвешенных входных данных нейрона в его выходные данные (если нейрон решает передавать данные дальше, это называется его активацией). Существует множество различных преобразований, которые могут быть использованы в качестве функций активации.

ИНС являются мощным средством решения задач. Однако, хотя математическая модель небольшого количества нейронов довольно проста, модель нейронной сети при увеличении количества составляющих её частей становится довольно запутанно. Из-за этого использование ИНС иногда называют подходом «чёрного ящика». Выбор ИНС для решения задачи должен быть тщательно обдуманным, так как во многих случаях полученное итоговое решение нельзя будет разобрать на части и проанализировать, почему оно стало именно таким.

Глубокое обучение


Термин глубокое обучение используется для описания нейронных сетей и используемых в них алгоритмах, принимающих «сырые» данные (из которых требуется извлечь некоторую полезную информацию). Эти данные обрабатываются, проходя через слои нейросети, для получения нужных выходных данных.

Обучение без учителя (unsupervised learning) — область, в которой методики глубокого обучения отлично себя показывают. Правильно настроенная ИНС способна автоматически определить основные черты входных данных (будь то текст, изображения или другие данные) и получить полезный результат их обработки. Без глубокого обучения поиск важной информации зачастую ложится на плечи программиста, разрабатывающего систему их обработки. Модель глубокого обучения же самостоятельно способна найти способ обработки данных, позволяющий извлекать из них полезную информацию. Когда система проходит обучение (то есть, находит тот самый способ извлекать из входных данных полезную информацию), требования к вычислительной мощности, памяти и энергии для поддержания работы модели сокращаются.

Проще говоря, алгоритмы обучения позволяют с помощью специально подготовленных данных «натренировать» программу выполнять конкретную задачу.

Глубокое обучение применяется для решения широкого круга задач и считается одной из инновационных ИИ-технологий. Существуют также другие виды обучения, такие как обучение с учителем (supervised learning) и обучение с частичным привлечением учителя(semi-supervised learning), которые отличаются введением дополнительного контроля человека за промежуточными результатами обучения нейронной сети обработке данных (помогающего определить, в правильном ли направлении движется система).

Теневое обучение (shadow learning) — термин, используемый для описания упрощённой формы глубокого обучения, при которой поиск ключевых особенностей данных предваряется их обработкой человеком и внесением в систему специфических для сферы, к которой относятся эти данные, сведений. Такие модели бывают более «прозрачными» (в смысле получения результатов) и высокопроизводительными за счёт увеличения времени, вложенного в проектирование системы.

Заключение


ИИ является мощным средством обработки данных и может находить решения сложных задач быстрее, чем традиционные алгоритмы, написанные программистами. ИНС и методики глубокого обучения могут помочь решить ряд разнообразных проблем. Минус состоит в том, что самые оптимизированные модели часто работают как «чёрные ящики», не давая возможности изучить причины выбора ими того или иного решения. Этот факт может привести к этическим проблемам, связанным с прозрачностью информации.

Что такое искусственный интеллект?

Суть искусственного интеллекта в формате вопросов и ответов. История создания, технологии исследования, связан ли искусственный интеллект с IQ и можно ли его сравнить с человеческим. На вопросы отвечал профессор Стэнфордского университета Джон Маккарти.

Что такое искусственный интеллект (ИИ)?

Искусственный интеллект — это область науки и инжиниринга, занимающаяся созданием машин и компьютерных программ, обладающих интеллектом. Она связана с задачей использования компьютеров для понимания человеческого интеллекта. При этом искусственный интеллект не должен ограничиваться только биологически наблюдаемыми методами.

Да, но что такое интеллект?

Интеллект – способность приходить к решению при помощи вычислений. Интеллект разного вида и уровня есть у людей, многих животных и некоторых машин.

Разве нет определения интеллекта, которое не зависит от соотнесения его с человеческим интеллектом?

До настоящего времени нет понимания, какие виды вычислительных процедур мы хотим назвать интеллектуальными. Мы знаем далеко не обо всех механизмах интеллекта.

Является ли интеллект однозначным понятием, чтобы на вопрос «Обладает ли данная машина интеллектом?» можно было ответить «да» или «нет»?

Нет. Исследования ИИ показали, как использовать лишь некоторые из механизмов. Если для выполнения задачи требуются только хорошо изученные модели, получаются очень впечатляющие результаты. Такие программы обладают «небольшим» интеллектом.

Является ли искусственный интеллект попыткой имитировать человеческий интеллект?

Иногда, но далеко не всегда. С одной стороны, мы узнаем, как заставить машины решать задачи, наблюдая за людьми или за работой наших собственных алгоритмов. С другой стороны, исследователи ИИ используют алгоритмы, которые не наблюдаются у людей или требуют гораздо больших вычислительных ресурсов.

У компьютерных программ есть IQ?

Нет. IQ основан на темпах развития интеллекта у детей. Это отношение возраста, в котором ребенок обычно набирает определенный результат, к возрасту ребенка. Данная оценка подходящим образом распространяется и на взрослых людей. IQ хорошо коррелирует с различными показателями успеха или неудачи в жизни. Но создание компьютеров, которые могут набрать высокий балл в тестах IQ, будет слабо связано с их полезностью. Например, способность ребенка повторять длинную последовательность цифр хорошо коррелирует с другими интеллектуальными способностями. Она показывает, какое количество информации ребенок может запомнить за один раз. При этом удержание в памяти цифр является тривиальной задачей даже для самых примитивных компьютеров.

Как сравнить человеческий и компьютерный интеллекты?

Артур Р. Дженсен, ведущий исследователь в области человеческого интеллекта, в качестве «эвристической гипотезы» утверждает, что обычные люди имеют одни и те же механизмы интеллекта и интеллектуальные различия связаны с «количественными биохимическими и физиологическими условиями». К ним относятся скорость мышления, краткосрочную память и способность формировать точные и извлекаемые долгосрочные воспоминания.   

Независимо от того, правильна ли точка зрения Дженсена в отношении человеческого интеллекта, ситуация в ИИ на сегодняшний день является противоположной.

Компьютерные программы имеют большой запас скорости и памяти, но их способности соответствуют интеллектуальным механизмам, которые разработчики программ хорошо понимают и могут вложить в них. Некоторые способности, которые дети обычно не развивают до подросткового возраста, внедряются. Другие, которыми владеют двухлетние дети, все еще отсутствуют. Дело еще более усугубляется тем фактом, что когнитивные науки до сих пор не могут точно определить, каковы человеческие способности. Скорее всего, организация интеллектуальных механизмов ИИ выгодно отличается от таковой у людей.

Когда человеку удается решить задачу быстрее, чем компьютеру, это говорит о том, что разработчикам не хватает понимания механизмов интеллекта, необходимых для эффективного выполнения данной задачи.

Когда началось исследование ИИ?

После Второй мировой войны несколько человек начали независимо работать над интеллектуальными машинами. Английский математик Алан Тьюринг, возможно, был первым из них. Он прочитал свою лекцию в 1947 году. Тьюринг одним из первых решил, что ИИ лучше всего исследовать путем программирования компьютеров, а не конструирования машин. К концу 1950-х годов было много исследователей ИИ, и большинство из них основывали свою работу на программировании компьютеров.

Является ли целью ИИ поместить человеческий разум в компьютер?

У человеческого разума есть много особенностей, вряд ли реально имитировать каждую из них.

Что такое тест Тьюринга?

В статье А. Алана Тьюринга 1950 года «Вычислительная техника и разум» обсуждались условия обладания машиной интеллектом. Он утверждал, что если машина может успешно притворяться человеком перед разумным наблюдателем, то вы, конечно же, должны считать ее разумной. Этот критерий удовлетворит большинство людей, но не всех философов. Наблюдатель должен взаимодействовать с машиной или человеком через средство ввода-вывода для исключения необходимости имитации машиной внешнего вида или голоса человека. Задача как машины, так и человека состоит в том, чтобы заставить наблюдателя считать себя человеком.

Тест Тьюринга является односторонним. Машина, успешно проходящая тест, определенно должна считаться разумной, даже если она не обладает знаниями о людях, достаточными, чтобы их имитировать.

Книга Дэниела Деннета «Brainchildren» содержит прекрасное обсуждение теста Тьюринга и его различные части, которые были реализованы успешно, т. е. с ограничениями на знание наблюдателем об ИИ и предмете обсуждения. Оказывается, некоторых людей довольно легко убедить в том, что достаточно примитивная программа является разумной.

Является ли целью ИИ достижение человеческого уровня интеллекта?

Да. Конечной целью является создание компьютерных программ, которые могут решать проблемы и достигать целей так же, так и человек. Однако ученые, проводящие исследования в узких областях, ставят гораздо менее амбициозные цели.

Насколько далек искусственный интеллект от достижения человеческого уровня? Когда это произойдет?

Интеллект человеческого уровня может быть достигнут путем написания большого количества программ, и сбора обширных баз знаний о фактах на языках, которые сегодня используются для выражения знаний. Тем не менее, большинство исследователей ИИ считает, что необходимы новые фундаментальные идеи. Поэтому невозможно предсказать, когда будет создан интеллект человеческого уровня.

Является ли компьютер машиной, которая может стать интеллектуальной?

Компьютеры могут быть запрограммированы для имитации любого типа машины.

Скорость компьютеров позволяет им обладать интеллектом?

Некоторые люди думают, что требуются как более быстрые компьютеры, так и новые идеи. Компьютеры и 30 лет назад были достаточно быстрыми. Если бы мы только знали, как их программировать.

Что насчет создания «детской машины», которая могла бы улучшиться путем чтения и обучения на собственном опыте?

Эта идея неоднократно предлагалась с 1940-х годов. В конце концов, она будет реализована. Тем не менее, программы ИИ еще не достигли уровня, позволяющего узнать многое из того, чему ребенок учится в ходе жизнедеятельности. Существующие программы недостаточно хорошо понимают язык, чтобы многому научиться посредством чтения.

Являются ли теория вычислимости и вычислительная сложность ключами к ИИ?

Нет. Эти теории актуальны, но не затрагивают фундаментальные проблемы ИИ.

В 1930-х годах математические логики Курт Гёдель и Алан Тьюринг установили, что не существует алгоритмов, которые гарантировали бы решение всех задач в некоторых важных математических областях. Например, ответы на вопросы в духе: «является ли предложение логики первого порядка теоремой» или «имеет ли полиномиальное уравнение в одних переменных целочисленные решения в других». Так как люди способны решать задачи такого рода, данный факт было предложен в качестве аргумента в пользу того, что компьютеры по своей сути неспособны делать то, что делают люди. Об этом говорит и Роджер Пенроуз. Однако люди не могут гарантировать решения произвольных задач в этих областях.

В 1960-х годах ученые-программисты, в числе которых были Стив Кук и Ричард Карп, разработали теорию областей NP-полных задач. Задачи в данных областях разрешимы, но, по-видимому, их решение требует времени, растущего экспоненциально с размерностью задачи. Простейшим примером области NP-полной задачи служит вопрос: какие утверждения логики высказываний являются выполнимыми? Люди часто решают проблемы в области NP-полных задач в разы быстрее, чем это гарантируется основными алгоритмами, но не могут решать их быстро в общем случае.

Для ИИ важно, чтобы при решении задач алгоритмы были такими же эффективными, как и человеческий разум. Определение подобластей, в которых существуют хорошие алгоритмы, является важным, но многие программы, решающие задачи ИИ, не имеют отношения к легко идентифицируемым подобластям.

Теория сложности общих классов задач называется вычислительной сложностью. До сих пор эта теория не взаимодействовала с ИИ настолько, насколько можно было надеяться. Успех в решении проблем людьми и программами ИИ, по-видимому, зависит от свойств задач и методов решения задач, которые ни исследователи сложности, ни сообщество ИИ не могут определить точно.

Также актуальной является теория алгоритмической сложности, разработанная независимо друг от друга Соломоновым, Колмогоровым и Чайтиным. Она определяет сложность символьного объекта как длину наиболее короткой программы, которая сможет его сгенерировать. Доказательство того, что программа-кандидат является самой короткой или близкой к таковой, является неразрешимой задачей, но представление объектов генерирующими их короткими программами иногда может прояснять ситуацию, даже если вы не можете доказать, что ваша программа является самой короткой.

Стэнфордский университет

Что такое искусственный интеллект ?

С момента изобретения компьютеров, их способность выполнять различные задачи продолжают расти в геометрической прогрессии. Люди развивают мощность компьютерных систем, увеличивая выполнения задач и уменьшая размер компьютеров. Основной целью исследователей в области искусственного интеллекта — создание компьютеров или машин таких же разумных как человек.

Что такое искусственный интеллект?

Автором термина «искусственный интеллект» является Джон Маккарти, изобретатель языка Лисп, основоположник функционального программирования и лауреат премии Тьюринга за огромный вклад в области исследований искусственного интеллекта.

Искусственный интеллект — это способ сделать компьютер, компьютер-контролируемого робота или программу способную также разумно мыслить как человек.

Исследования в области ИИ осуществляются путем изучения умственных способностей человека, а затем полученные результаты этого исследования используются как основа для разработки интеллектуальных программ и систем.

Философия ИИ

Во время эксплуатации мощных компьютерных систем, каждый задавался вопрос: «А может ли машина мыслить и вести себя также как человек? ».

Таким образом, развитие ИИ началось с намерения создать подобный интеллект в машинах, схожий с человеческим.

Основные цели ИИ

  • Создание экспертных систем — систем, которые демонстрируют разумное поведение: учиться, показывать, объяснять и давать советы;
  • Реализация человеческого интеллекта в машинах — создание машины, способную понимать, думать, учить и вести себя как человек.

Что способствует развитию ИИ?

Искусственный интеллект — наука и технология, основанная на таких дисциплинах, как информатика, биология, психология, лингвистика, математика, машиностроение. Одним из главных направлений искусственного интеллекта — разработка компьютерных функций, связанных с человеческим интеллектом, таких как: рассуждение, обучение и решение проблем.

Программа с ИИ и без ИИ

Программы с ИИ и без отличаются следующими свойствами:

Без ИИ

С ИИ

Компьютерная программа без ИИ может отвечать только на конкретные вопросы на которые он запрограммирован отвечать

Может отвечать на универсальные вопросы, на которые он запрограммирован.

Внесение изменений в программу приводит к изменению его структуры

Программа с ИИ может поглощать новые модификации, сортируя весьма независимые фрагменты информации воедино. Следовательно, вы можете изменять кусочки информации из программы не затрагивая структуру самой программы

Модификация не является быстрым и легким.

Модификация быстрая и легкая

Приложения с ИИ

ИИ стал доминирующим в различных областях, таких как:

  • Игры — ИИ играет решающую роль в играх связанных с стратегией таких как, шахматы, покер, крестики — нолики и т.д., где компьютер способен просчитывать большое количество всевозможных решений, основанных на эвристических знаниях.

  • Обработка естественного языка — это возможность общаться с компьютером, который понимает естественный язык, на котором говорят люди.

  • Распознавание речи — некоторые интеллектуальные системы способны слышать и понимать язык, на котором человек общается с ними. Они могут обрабатывать различные акценты, сленги и т.д.

  • Распознавание рукописного текста — программное обеспечение читает текст, написанный на бумаге с помощью ручки или на экране с помощью стилуса. Он может распознавать формы букв и преобразовать его в редактируемый текст.

  • Умные роботы — роботы способные выполнять задачи, поставленные человеком. Они имеют датчики, для обнаружения физических данных из реального мира, такие как свет, тепло, движение, звук, удар и давление. Они имеют высоко производительные процессоры, несколько датчиков и огромную память. Кроме того они способны обучаться на собственных ошибках и адаптироваться к новой среде.

История развития ИИ

Вот история развития ИИ в течение 20-го века

Год

Событие

1923

Карел Чапек ставит пьесу в Лондоне под названием «Универсальные роботы», это стало первым использованием слова «робот» на английском.

1943

Основы для нейронных сетей.

1945

Айзек Азимов, выпускник Колумбийского университета, вводит термин робототехника.

1950

Алан Тьюринг разрабатывает тест Тьюринга для оценки интеллекта. Клод Шеннон публикует подробный анализ интеллектуальной шахматной игры.

1956

Джон Маккарти вводит термин искусственный интеллект. Демонстрация первого запуска программы ИИ в университете Карнеги-Меллон.

1958

Джон Маккарти изобретает язык программирования lisp для ИИ.

1964

Диссертация Дэнни Боброва в МТИ показывает, что компьютеры могут понимать естественный язык достаточно хорошо.

1965

Джозеф Weizenbaum в МТИ разрабатывает Элизу, интерактивного помощника, которая ведет диалог на английском языке.

1969

Ученые из Стэнфордского научно-исследовательского института разработали Шеки, робота, оснащенного двигателями, способного воспринимать и решать некоторые задачи.

1973

Группа исследователей в Эдинбургском университете построила Фредди, знаменитого шотландского робота, способного использовать зрение, чтобы найти и собрать модели.

1979

Был построен первый компьютер-контролируемый автономный автомобиль, Стэнфордская тележка.

1985

Гарольд Коэн разработал и продемонстрировал составление программы, Аарон.

1997

Шахматная программа, которая обыгрывает чемпиона мира по шахматам Гарри Каспарова.

2000

Интерактивный роботы питомцы станут коммерчески доступными. МТИ отображает Кисмет, робота с лицом, который выражает эмоции. Робот Номад исследует отдаленные районы Антарктиды и находит метеориты.

искусственные нейронные сети искусственный интеллект

Искусственный интеллект, разработка и области применения

Искусственный интеллект — это не будущее, искусственный интеллект — это настоящее.

Cодержание:

Технологии искусственного интеллекта (ИИ) применяются повсеместно уже почти с десяток лет. Это дало нам много интеллектуальных продуктов, которые мы активно используем в повседневной жизни. Однако они еще очень далеки, чтобы называться «интеллектом» и имеют большой потенциал для улучшения.

Так, все, чего мы достигли до сегодняшнего дня — это библиотеки для разработки ИИ, которые в основном требуют контролируемого обучения. Тем не менее такие технологические гиганты, как Microsoft, Facebook и Google, работают над созданием программ, которые будут работать поверх существующих библиотек разработки ИИ, чтобы дать им кроссплатформенность и поддержку самообучения.

Для разработки самообучающегося ИИ будут использоваться большие данные (англ. big data), квантовые вычисления, распределенные вычисления и связь 5G.

Что такое искусственный интеллект?

Искусственный интеллект — это искусственно созданная система, основной целью которой является воспроизведение некоторых или всех черт человеческого интеллекта, а именно — планирование, обучение, рассуждение, решение проблем, оперирование данными и их использование, восприятие, контроль и манипулирование объектами и, в меньшей степени, социальный интеллект и креативность.

Как мы знаем, человеческое мышление базируется на взаимодействии нейронов мозга, связи которых изменяются под влиянием жизненного опыта.

Аналогично, алгоритмы ИИ были разработаны на основе нейронных сетей, которые позволяют компьютерам обретать новые навыки, как это делают люди.

Так может выглядеть многослойная нейронная сеть, которая анализирует цифры на изображении

Нет необходимости программировать всю логику ИИ вручную, поскольку компьютер способен оптимизировать программу и самостоятельно подстраиваться для корректного выполнения необходимых действий.

На какой технологии основаны современные системы ИИ?

Существует несколько основных, базовых направлений в разработке ИИ, но на текущий момент, наиболее эффективны алгоритмы на основе CNN (сверточная нейронная сеть) и RNN (рекуррентная нейронная сеть).

CNN — это однонаправленная (без обратных связей) многослойная сеть, которая отлично подходит для работы с такими данными, как изображения и видео, где данные размещены в виде сетки пикселей. В свою очередь RNN хорошо справляется с последовательными данными, такими как текст и аудио.

CNN называется «сетью прямой связи», а RNN называется «сетью обратной связи».

Книга по теме: Искусственный интеллект. Что стоит знать о наступающей эпохе разумных машин

Слух, возможность говорить, зрение и прогнозирующая интуиция базируются на использовании обеих сетей (CNN и RNN), а также технологии обработки естественного языка (NLP), которые дополняют друг друга. Подобные технологии используются в Alexa, Siri, Google Now, Cortana и других интеллектуальных голосовых помощниках.

Какие программы используются для создания ИИ?

Существуют десятки фреймворков для разработки ИИ, но в этот список включены только самые выдающиеся.

KERAS

Это библиотека нейронных сетей на основе Python с открытым исходным кодом, которая может работать под управлением Microsoft CNTK (Cognitive Toolkit), Tensorflow и многих других сред.

KERAS лучше всего подходит новичкам.

TENSORFLOW

Tensorflow является наиболее выдающейся средой для разработки искусственного интеллекта, которая использует методы машинного обучения, такие как нейронные сети.

Tensorflow был разработан командой Google Brain, именно этот фреймворк в ответе за автозавершение фраз в текстовое поле поисковой системы Google, а также ИИ приложений Google.

SONNET

Созданная командой Google DeepMind, Sonnet — это библиотека, работающая поверх TensorFlow для построения сложных нейронных сетей глубокого обучения. SONNET лучше всего подходит для исследований и разработок в области искусственного интеллекта и является очень сложной для новичков.

CNTK (Microsoft Cognitive Toolkit)

Ранее известный как CNTK, Microsoft Cognitive Toolkit нацелен обучить алгоритмы мыслить как человеческий мозг. Он обладает скоростью, масштабируемостью, качеством и совместимостью с C ++ и Python. Microsoft использует его для функций AI в Skype, Cortana и Bing.

Microsoft CNTK позволяет пользователям комбинировать популярные модели глубокого обучения, такие как DNN, CNN и RNN.

PYTORCH

Pytorch — это библиотека машинного обучения с открытым исходным кодом для Python, основанная на Torch, которая использует технологии обработки естественного языка (NLP).

DL4J (Deeplearning4j)

Deeplearning4j — это библиотека с открытым исходным кодом для разработки ИИ с использованием методов глубокого обучения. Написана специально для Java и JVM (Java Virtual Machine).

DL4J работает на базе собственной библиотеки числовых вычислений и может работать как на CPU, так и на GPU.

Есть еще много различных сред для разработки искусственного интеллекта. Коротко лишь отметим ONNX, платформу глубокого обучения, которая совместно разработана Facebook и Microsoft, а также перечислим несколько других: h3O, DSSTNE, Theano, DeepDetect, ConvNetJS, ACT-R, Caffe и CaffeOnSpark.

MXNET

Apache MXNET — это программная среда с глубоким обучением для развертывания нейронных сетей. Она имеет масштабируемую модель обучения, которая поддерживает несколько языков программирования для разработки AI: Go, R, Scala, Perl, C ++, Python, Julia, Matlab, JavaScript, и является проектом с открытым исходным кодом.

MXNET используется для развертывания нейронных сетей в службах общего хостинга, таких как AWS и Microsoft Azure.

Где используется искусственный интеллект?

Интеллектуальные системы применяются в разных областях и сферах. Их можно найти в голосовых помощниках, в торговых роботах, военных разработках и так далее. Давайте пробежимся по наиболее важным.

Голосовые помощники

Голосовые помощники, основанные на базе искусственного интеллекта, такие как Siri, Google Now, Alexa, Bixby и Cortana. Они слушают, что говорит пользователь, чтобы преобразовать речь в машиночитаемый вектор, после чего выдается вектор ответа, который произносится голосовым помощником с помощью Natural Language Processing (NLP).

Умные помощники

Autodesk Eva является отличным примером интеллектуального помощника, который использует CNN и NLP для взаимодействия с клиентами в режиме реального времени.

Умный помощник, смоделированный в 3D, может вести диалог с клиентом в режиме реального времени и имитировать соответствующие выражение лица.

Беспилотные автомобили

Беспилотные автомобили используют радар, LIDAR (детектор света и определитель дистанции), GPS и камеру для создания трехмерных моделей приближающихся транспортных средств. Все эти данные объединяются для определения местоположения транспортного средства с очень высокой точностью. Водителем выступает ИИ, который анализирует всю поступающую информацию с датчиков.

Распознавание лиц

Вам может быть интересно: Почему современный ИИ — это тупиковая ветвь развития технологий

Разработка искусственного интеллекта на основе CNN сделала возможным внедрение системы распознавания лиц.

Недавно в Китае начали использовать систему распознавания лиц с помощью камер видеонаблюдения по всему городу, налагая штраф за нарушение правил дорожного движения. Магазины Alibaba в Китае используют распознавание лиц и изображений для выставления счета.

Балансировка нагрузки

Балансировка нагрузки на дороги, транспортные системы, серверы и так далее.

Языковые переводчики

Гугл переводчик является хорошим примером. Он имеет два модуля: кодировщик и декодер. Кодировщик берет входные предложения из речи или текста, а затем переводит их в вектор, который является одинаковым форматом для входных данных со всех языков.

Модуль декодера принимает этот вектор в качестве входных данных, а затем генерирует текст или речь на целевом языке. Распознавание языка происходит с помощью RNN, вывод речи выполняется с помощью NLP.

Поиск и анализ изображений

Поиск и анализ изображений используется для проверки плагиата,
поиска людей, для SEO целей, поиска оскорбительного контента в социальных сетях.

Оптимизация для достижения наилучших результатов

Модули Deepmind были обучены игре в шахматы, Go, Dota 2, Starfield 2.

Эти модули наиграли игр на сотни лет всего за несколько недель обучения, что привело AI к победе над лучшими игроками в мире.

Конечно, это не все сферы применения ИИ. По мере развития технологий и способностей ИИ, сфера применения интеллектуальных систем будет только расширяться.

Если тенденция развития технологий сохранится или ускорится, боюсь, что мы успеем застать эпоху, когда компьютеры станут умнее людей, и все службы, системы и средства будут подключены к централизованной системе под управлением искусственного интеллекта.

10 самых важных вех в развитии ИИ на сегодняшний день / Habr

На протяжении своей истории, от первых рассказов Азимова про роботов до AlphaGo, у ИИ были взлёты и падения. Но на самом деле его история только начинается.


Искусственный интеллект пока ещё очень молод. Однако в этой области произошло уже много значимых событий. Некоторые из них привлекли внимание культуры, другие породили взрывную волну, воспринятую только учёными. Вот некоторые ключевые моменты, наиболее сильно повлиявшие на развитие ИИ.


Рассказ Азимова "Хоровод" отмечает первое появление в историях этого знаменитого фантаста «трёх законов робототехники»:

  1. Робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был причинён вред.
  2. Робот должен повиноваться всем приказам, которые даёт человек, кроме тех случаев, когда эти приказы противоречат Первому Закону.
  3. Робот должен заботиться о своей безопасности в той мере, в которой это не противоречит Первому или Второму Законам.

В рассказе «Хоровод» робот Спиди ставится в положение, в котором третий закон входит в противоречие с первыми двумя. Рассказы Азимова про роботов заставили задуматься любителей НФ, среди которых были и учёные, о возможности появления думающих машин. По сей день люди занимаются интеллектуальными упражнениями, применяя законы Азимова к современным ИИ.

2. Алан Тьюринг предложил свою «Игру в имитацию» (1950)



Алан Тьюринг описал первый принцип измерения степени разумности машины в 1950-м.

Предлагаю рассмотреть вопрос «Могут ли машины думать?» Так начиналась влиятельная исследовательская работа Тьюринга 1950 года, разработавшая систему взглядов для рассуждения о машинном разуме. Он задал вопрос о том, можно ли считать машину разумной, если она может имитировать разумное поведение человека.

Этот теоретический вопрос породил знаменитую «Игру в имитацию» [её позже назовут "Тестом Тьюринга" / прим. перев.], упражнение, в котором исследователь-человек должен определить, с кем он переписывается – с компьютером или человеком. Во времена Тьюринга не существовало машин, способных пройти этот тест, нет их и сегодня. Однако его тест дал простой способ определить наличие разума у машины. Также он помог сформировать философию ИИ.

3. Конференция по ИИ в Дартмуте (1956)


К 1955 году учёные всего мира уже сформировали такие концепции, как нейросети и естественный язык, однако ещё не существовал объединяющих концепций, охватывающих различные разновидности машинного интеллекта. Профессор математики из Дартмутского колледжа, Джон Маккарти, придумал термин «искусственный интеллект», объединяющий их все.

Маккарти руководил группой, подавшей заявку на грант для организации конференции по ИИ в 1956. В Дартмут-холл летом 1956 были приглашены многие ведущие исследователи того времени. Учёные обсуждали различные потенциальные области изучения ИИ, включая обучение и поиск, зрение, логические рассуждения, язык и разум, игры (в частности, шахматы), взаимодействия человека с такими разумными машинами, как личные роботы.

Общим консенсусом тех обсуждений стало то, что у ИИ есть огромный потенциал для того, чтобы принести пользу людям. Было очерчено общее поле исследовательских областей, на развитие которых может повлиять машинный интеллект. Конференция организовала и вдохновила исследования в области ИИ на многие годы.

4. Фрэнк Розенблатт создаёт перцептрон (1957)



Фрэнк Розенблатт создал механическую нейросеть в Корнеллской лаборатории аэронавтики в 1957

Базовый компонент нейросети называется "перцептроном" [это лишь самый первый и примитивный тип искусственного нейрона / прим. перев.]. Набор входящих данных попадает в узел, подсчитывающий выходное значение, и выдающий классификацию и уровень уверенности. К примеру, входные данные могут анализировать различные аспекты изображения на основании входных данных и «голосовать» (с определённым уровнем уверенности) за то, есть ли на нём лицо. Затем узел подсчитывает все «голоса» и уровень уверенности, и выдаёт консенсус. В нейросетях сегодняшнего дня, работающих на мощных компьютерах, работают миллиарды подобных структур, связанных между собой.

Однако перцептроны существовали ещё до появления мощных компьютеров. В конце 1950-х молодой психолог-исследователь Фрэнк Розенблатт создал электромеханическую модель перцептрона под названием Mark I Perceptron, хранящуюся сегодня в Смитсоновском институте. Это была аналоговая нейросеть, состоявшая из сетки светочувствительных элементов, соединённых проводами с банками узлов, содержащих электромоторы и поворотные резисторы. Розенблатт разработал «перцептронный алгоритм», управлявший сетью, которая постепенно подстраивала силу входных сигналов так, чтобы в итоге правильно идентифицировать объекты – по сути, обучалась.

Учёные спорили о значимости этой машины вплоть до 1980-х. Она сыграла важную роль по созданию физического воплощения нейросети, которая до тех пор существовала в основном только в виде научной концепции.

5. ИИ сталкивается со своей первой зимой (1970-е)


Большую часть своей истории ИИ существовал только в исследованиях. Большую половину 1960-х правительственные агентства, в частности, DARPA, вливали деньги в исследования и практически не требовали отчёта по инвестициям. Исследователи ИИ часто преувеличивали потенциал своей работы, чтобы продолжать получать финансирование. Всё изменилось в конце 1960-х и начале 1970-х. Два отчёта – один от рекомендательного совета по автоматической обработке языка (ALPAC) для правительства США 1966 года, второй от Лайтхилла для правительства Британии 1973 года – прагматически оценили прогресс в исследованиях ИИ и выдали весьма пессимистичный прогноз о потенциале данной технологии. В обоих отчётах ставилось под вопрос наличие ощутимого прогресса в различных областях исследований ИИ. Лайтхилл в своём отчёте утверждал, что ИИ для задач распознавания речи будет крайне сложно масштабировать до размеров, которые смогут быть полезными правительству или военным.

В итоге правительства США и Британии начали урезать финансирование исследований ИИ для университетов. DARPA, без проблем финансировавшее исследования ИИ в 1960-х, стало требовать от проектов чётких временных рамок и подробного описания предполагаемых результатов. В итоге стало казаться, что ИИ не оправдал ожиданий, и никогда уже не сможет достичь уровня человеческих возможностей. Первая «зима» ИИ продлилась все 1970-е и 80-е.

6. Приход второй зимы ИИ (1987)


1980-е начались с разработки и первых успехов "экспертных систем", хранивших большие объёмы данных и эмулировавшие процесс принятия решений людьми. Технологию изначально разработали в университете Карнеги-Меллона для компании Digital Equipment Corporation, а затем другие корпорации начали быстро внедрять её. Однако экспертные системы требовали дорогого спеиализированного оборудования, и это стало проблемой, когда начали появляться сходные по мощности и более дешёвые рабочие станции от Sun Microsystems а также персональные компьютеры от Apple и IBM. Рынок экспертных компьютерных систем рухнул в 1987, когда с него ушли основные производители оборудования.

Успех экспертных систем в начале 80-х вдохновил DARPA на увеличение финансирования исследований ИИ, но вскоре это вновь поменялось, и агентство урезало большую часть этого финансирования, оставив всего несколько программ. И снова термин «искусственный интеллект» в исследовательском сообществе стал почти запретным. Чтобы их не воспринимали, как непрактичных мечтателей в поисках финансирования, исследователи начали использовать другие названия для работы, связанной с СС – «информатика», «машинное обучение» и «аналитика». Эта, вторая зима ИИ продолжалась вплоть до 2000-х.

7. IBM Deep Blue побеждает Каспарова (1997)



IBM Deep Blue победила лучшего шахматиста мира, Гарри Каспарова, в 1997.

Общественное представление об ИИ улучшилось в 1997 году, когда шахматный компьютер Deep Blue от IBM победил тогдашнего чемпиона мира Гарри Каспарова. Из шести игр, проводившихся в телестудии, Deep Blue выиграла в двух, Каспаров в одной, а три окончились вничью. Ранее в том году Каспаров победил предыдущую версию Deep Blue.

У компьютера Deep Blue было достаточно вычислительных мощностей, и он использовал «метод грубой силы», или полный перебор, оценивая 200 млн возможных ходов в секунду и подбирая наилучший. Возможности людей ограничиваются оценкой лишь порядка 50 ходов после каждого хода. Работа Deep Blue была похожа на работу ИИ, но компьютер не размышлял о стратегиях и не учился игре, как смогут делать последовавшие за ним системы.

И всё же победа Deep Blue над Каспаровым впечатляющим образом вернула ИИ в круг общественного внимания. Некоторые люди были очарованы. Другим не понравилось, что машина обыграла эксперта в шахматах. Инвесторы были впечатлены: победа Deep Blue на $10 подняла стоимость акций IBM, выведя их на максимум того времени.

8. Нейросеть видит кошек (2011)


К 2011 году учёные из университетов всего мира говорили о нейросетях и создавали их. В том году программист Джефф Дин из Google познакомился с профессором информатики из Стэнфорда Эндрю Ыном. Вдвоём они замыслили создание большой нейросети, обеспеченной огромной вычислительной энергией серверов Google, которой можно будет скормить огромный набор изображений.

Созданная ими нейросеть работала на 16 000 серверных процессорах. Они скормили ей 10 млн случайных и неразмеченных кадров с видеороликов YouTube. Дин и Ын не просили нейросеть выдать какую-то конкретную информацию или разметить эти изображения. Когда нейросеть работает таким образом, обучаясь без учителя, она естественным образом пытается найти закономерности в данных и формирует классификации.

Нейросеть обрабатывала изображения три дня. Затем она выдала три размытых изображения, обозначающих визуальные образы, которые она снова и снова встречала в обучающих данных – лицо человека, тело человека и кота. Это исследование стало серьёзным прорывом в использовании нейросетей и обучении без учителя в компьютерном зрении. Также оно отметило начало проекта Google Brain.

9. Джоффри Хинтон спустил с поводка глубокие нейросети (2012)



Исследование Джоффри Хинтона помогло возродить интерес к глубокому обучению

Через год после прорыва Дина и Ына профессор Торонтского университета Джоффри Хинтон с двумя своими студентами создали нейросеть для компьютерного зрения AlexNet для участия в соревновании по распознаванию изображений ImageNet. Участники должны были использовать свои системы для обработки миллионов тестовых изображений и определять их с наивысшей возможной точностью. AlexNet выиграла соревнование с процентом ошибок в два с лишним раза меньшим, чем у ближайшего конкурента. В пяти вариантах подписи к изображению, данных нейросетью, только в 15,3% случаев не было правильного варианта. Предыдущим рекордом было 26% ошибок.

Эта победа убедительно показала, что глубокие нейросети, работающие на графических процессорах, куда как лучше других систем могут точно определять и классифицировать изображения. Это событие, возможно, сильнее остальных повлияло на возрождение интереса к глубоким нейросетям, и заслужило Хинтону прозвище «крёстный отец глубокого обучения». Вместе с другими гуру в области ИИ, Йошуа Бенджио и Яном Лекуном, Хинтон получил долгожданную премию Тьюринга в 2018.

10. AlphaGo обыгрывает чемпиона мира по го (2016)


В 2013 году исследователи британского стартапа DeepMind опубликовали работу, где было описано, как нейросеть научилась играть и выигрывать в 50 старых игр от Atari. Под впечатлением от этого компанию купила Google – как говорят, за $400 млн. Однако главная слава DeepMind была ещё впереди.

Через несколько лет учёные из DeepMind, теперь уже в рамках Google, перешли от игр Atari к одной из самых старых задач ИИ – японской настольной игре го. Они разработали нейросеть AlphaGo, способную играть в го и обучаться во время игры. Программа провела тысячи партий против других версий AlphaGo, обучаясь на основе проигрышей и выигрышей.

И это сработало. AlphaGo обыграла величайшего игрока в го в мире, Ли Седоля, со счётом 4:1 в серии игр в марте 2016. Процесс снимали для документального фильма. При его просмотре трудно не заметить грусть, с которой Седоль воспринял проигрыш. Казалось, что проиграли все люди, а не только один человек.

Последние продвижения в области глубоких нейросетей настолько сильно изменили область ИИ, что реальная его история, возможно, только лишь начинается. Нас ждёт много надежд, шумихи и нетерпения, но сейчас уже ясно, что ИИ повлияет на все аспекты жизни XXI века – и возможно даже сильнее, чем в своё время это сделал интернет.

Сильный и слабый искусственные интеллекты — Википедия

Материал из Википедии — свободной энциклопедии

Текущая версия страницы пока не проверялась опытными участниками и может значительно отличаться от версии, проверенной 15 февраля 2020; проверки требует 1 правка. Текущая версия страницы пока не проверялась опытными участниками и может значительно отличаться от версии, проверенной 15 февраля 2020; проверки требует 1 правка.

Сильный и слабый искусственные интеллекты — гипотеза в философии искусственного интеллекта, согласно которой некоторые формы искусственного интеллекта могут действительно обосновывать и решать проблемы[1].

  • теория сильного искусственного интеллекта предполагает, что компьютеры могут приобрести способность мыслить и осознавать себя как отдельную личность (в частности, понимать собственные мысли), хотя и не обязательно, что их мыслительный процесс будет подобен человеческому.
  • теория слабого искусственного интеллекта отвергает такую возможность.

Термин «сильный ИИ» был введён в 1980 году Джоном Сёрлом (в работе, описывающей мысленный эксперимент «Китайская комната»), впервые охарактеризовавшим его следующим образом:

Соответствующим образом запрограммированный компьютер с нужными входами и выходами и будет разумом, в том смысле, в котором человеческий разум — это разум.

Оригинальный текст (англ.)

The appropriately programmed computer really is a mind, in the sense that computers given the right programs can be literally said to understand and have other cognitive states[2].

— «Разумы, мозги и программы»

Предлагалось много определений интеллекта (такие, например, как возможность пройти тест Тьюринга), но на настоящий момент нет определения, которое бы удовлетворило всех. Тем не менее, среди исследователей искусственного интеллекта есть общая договоренность о том, что Сильный ИИ обладает следующими свойствами: [3]

Ведутся работы для создания машин, имеющих все эти способности, и предполагается, что Сильный ИИ будет иметь либо их все, либо большую часть из них.

Существуют и другие аспекты интеллекта человека, которые также лежат в основе создания Сильного ИИ:

Ни одно из этих свойств не является необходимым для создания сильного ИИ. Например, неизвестно, необходимо ли воспринимать машине окружающую среду в той же мере, как человеку. Также неизвестно, являются ли эти навыки достаточными для создания интеллекта: если будет создана машина с устройством, которое сможет эмулировать нейронную структуру, подобную мозгу, получит ли она возможность формировать представление о знаниях или пользоваться человеческой речью. Возможно также, что некоторые из этих способностей, такие, например, как сопереживание, возникнут у машины естественным путём, если она достигнет реального интеллекта.[источник не указан 26 дней]

  1. ↑ Аверкин А. Н. «ИИ и когнитивные науки» (неопр.). Дата обращения 15 февраля 2020.
  2. ↑ Searle, J. Minds, brains, and programs // Behavioral and brain sciences. — 1980. — Т. 3, № 3 (September). — P. 417. — DOI:10.1017/S0140525X00005756.
  3. ↑ Список базируется на следующих книгах: Russell & Norvig, 2003, Luger & Stubblefield, 2004, Poole, Mackworth & Goebel, 1998 и Nilsson, 1998.
  • Luger, George & Stubblefield, William (2004), Artificial Intelligence: Structures and Strategies for Complex Problem Solving (5th ed.), The Benjamin/Cummings Publishing Company, Inc., с. 720, ISBN 0-8053-4780-1, <http://www.cs.unm.edu/~luger/ai-final/tocfull.html> 
  • Nilsson, Nils (1998), Artificial Intelligence: A New Synthesis, Morgan Kaufmann Publishers, ISBN 978-1-55860-467-4 
  • Russell, Stuart J. & Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Prentice Hall, ISBN 0-13-790395-2, <http://aima.cs.berkeley.edu/> 
  • Poole, David; Mackworth, Alan & Goebel, Randy (1998), Computational Intelligence: A Logical Approach, New York: Oxford University Press, <http://www.cs.ubc.ca/spider/poole/ci.html> 

70% россиян не понимают сути искусственного интеллекта. Объясняем, что это такое и на что способен ИИ

Цифровая неграмотность

Согласно опросу, о технологии искусственного интеллекта слышали 75% респондентов: 38% знают, в каких сферах его можно применять, и лишь 29% смогли дать определение термину. Наиболее содержательными познаниями об ИИ обладают мужчины (42%) и молодые люди в возрасте от 18 до 24 лет (40%).

Несмотря на не слишком обширные познания в области artificial intelligence, жители России оказались технооптимистами. Почти 70% опрошенных готовы лично пользоваться сервисами на основе искусственного интеллекта в сфере госуслуг, чуть более половины готовы довериться помощи ИИ в бытовых вопросах, в сфере развлечений, а также в таком важном вопросе, как оказание медицинских услуг.

Половина респондентов ощущают по отношению к искусственному интеллекту восхищение, интерес и воодушевление, чуть меньше трети относятся к технологии нейтрально, и лишь одна восьмая часть чувствует к ИИ негатив. Еще примерно 7% описали свое отношение как «удивление и другие эмоции». 87% поддерживают ведущую роль государства в развитии технологии, однако желание пройти обучение в этой сфере в ближайшие несколько лет изъявили лишь 41%.

Человекоподобный робот София вполне может убедить человека в наличии сознания / © DB Post

Итак, вкратце отношение россиян к искусственному интеллекту можно выразить фразой «не понимаю, но одобряю». И это реальная проблема. Как писал Артур Кларк, «любая достаточно сложная технология неотличима от магии», — а значит, отношение к такой технологии базируется не на достоверных фактах, а на информации от моральных авторитетов. И поменять благожелательное отношение граждан к ИИ можно очень быстро. Давайте попробуем все же разобраться, что скрывается за этими буквами.

Вопрос о разуме

«Искусственный интеллект — наука и технология создания интеллектуальных машин, в особенности интеллектуальных компьютерных программ. Это [понятие] связано с аналогичной задачей использования компьютеров для понимания человеческого интеллекта, но ИИ не должен ограничиваться биологически наблюдаемыми методами». Такое определение дал термину тот, кто его и придумал в 1956 году, — американский программист Джон Маккарти.

В своей брошюре «What is artificial intelligence» Маккарти вторым же пунктом дает определение интеллекта: «вычислительный компонент способности достигать целей». Исходя из этого, ИИ можно описать как способность машины обучиться определенной способности и выполнять ее не хуже, чем самые способные из людей.

В оригинале цитаты двумя абзацами выше Маккарти использовал слово «intelligent», что можно перевести как «разумный». Однако мы сознательно этого не делаем. «Наличие интеллекта не предполагает наличие сознания. Это — распространенное заблуждение, принесенное в мир писателями научной фантастики», — пишет в своей статье «ИИ для динозавров» специалист в области программного обеспечения Адам Маккей. Компьютер может обыграть лучших из лучших в го, шахматы или «Свою игру», но осознать свое достижение он попросту не способен.

Похож ли мозг на компьютер

Там, где говорят или пишут об искусственном интеллекте, часто возникают еще два термина: машинное обучение и нейронные сети. С первым все довольно просто: компьютер получает какие-нибудь данные и на их основе чему-то учится. Например, с высокой точностью определять раковые заболевания на начальной стадии или распознавать номера автомобилей-нарушителей.

С нейронными сетями дело обстоит сложнее. Это компьютерная имитация нейронных комплексов, с помощью которых мы с вами обрабатываем поступающую через органы чувств информацию. Компьютер тоже так умеет, только его нейроны — не клетки, а определенным образом организованные куски кода. Они принимают некоторые входные данные, производят с ними определенные вычисления и на основе конкретных параметров решают, стоит ли передавать информацию далее и в каком объеме.

Простая схема трехслойной нейронной сети / © Downtown

О чем это говорит? О том, что между компьютером и мозгом гораздо больше общего, чем мы привыкли думать. И дело даже не в определенных чертах вычислительных машин, напоминающих биологические структуры, а скорее в компьютероподобности содержимого наших черепных коробок. Мозг имеет долговременную и кратковременную память, пользуется алгоритмами, имеет многослойную иерархическую систему отбора информации по ее ценности. Ну чем не «мягкий компьютер»?

Как учится искусственный интеллект

Чтобы обучить ИИ, необходимо предоставить ему определенные данные и выводы, которые можно сформировать на основе этих данных. Например, можно «скормить» компьютеру набор фотографий кошек и собак. Изначально искусственный интеллект не знает, в чем различия между этими двумя видами существ, и просто выдает ответы случайным образом.

Но по мере обработки большого количества изображений нейросеть выделяет признаки, по которым одного зверя можно отличить от другого. Это точно такие же признаки, которыми пользуется маленький ребенок, познавая жизнь и различая животных: например, форма ушей, расположение глаз, пропорции тела. ИИ хранит эти признаки в виде определенных математических соотношений.

Там, где человек видит кота, компьютер видит математические данные / © Manoj Joshi

В итоге мы можем натренировать «компьютерный разум» искать для нас в интернете картинки с определенными породами животных — как это происходит при поиске по изображениям в Google или «Яндексе». Или же определять животных на видеозаписях. Или рисовать котов — в общем, что нам только заблагорассудится сделать.

Способен ли искусственный интеллект творить

ИИ хорош не только в интеллектуальных играх или классификации данных. Нейросети способны написать музыкальное произведение, причем самых разных жанров — хоть классику, хоть этнику, хоть «ненаписанный альбом» Егора Летова. Литература? Легко — в соавторстве с Сергеем Лукьяненко созданный специалистами «Яндекса» ИИ выдал рассказ «в стиле Гоголя», а нейросеть, написанная американским программистом, накропала дополнение к «Песне льда и пламени» Джорджа Мартина. Нарисовать картинку для искусственного интеллекта вовсе проще простого: художества нейросетей даже за деньги продаются.

Нейросеть, созданная сотрудниками Яндекса Алексеем Тихоновым и Иваном Ямщиковым, научилась писать музыку в стиле Александра Скрябина / © Youtube — Яндекс

Но является ли все это творчеством? Однозначно нет, считает философ Александр Мишура. «Роботы могут создавать такие произведения искусства, которые даже эксперт не отличит от созданного человеком. Но важным условием творчества является создание новых эстетических норм, — говорит ученый. — Программа может следовать тем или иным нормам, которые в нее заложил разработчик, но не сможет сама создать новый жанр или направление».

Иными словами, ИИ на сегодня может быть прилежным подражателем, но не способен быть творцом. Чтобы создавать что-то оригинальное и новое, мало знать правила и четко их выполнять: нужно знать время и место, когда нарисованный тобой на холсте черный квадрат станет новым эталоном искусства. Нужна способность выходить за установленные рамки, а на это искусственный интеллект пока что не способен.

Когда искусственный интеллект получит сознание

Как мы уже писали выше, интеллекта компьютерам хватает, а вот сознание у них отсутствует. Как же создать «искусственный разум», который будет обладать сознанием и станет разумом безо всяких кавычек? «Сделать его уязвимым», — говорят исследователи Кинсон Ман и Антонио Дамасио.

Кадр из фильма Ex Machina, главная героиня которого — обладающий сознанием робот Ава / © New York Times

По мнению ученых, ощущая собственную уязвимость и пытаясь избежать гибели (или, например, отключения), ИИ сможет познать ценность собственного существования и на ее основе получить полноценное сознание. Вынужденный думать о хрупкости существования и затрачивая усилия на поддержание целостности и функциональности «организма», искусственный интеллект получит гораздо больше возможностей для самосовершенствования.

Для реализации подобной концепции Ман и Дамасио предлагают скомбинировать методики машинного обучения и так называемую мягкую робототехнику (роботизированные устройства, созданные из мягких материалов, имитирующих биологическую ткань). Подобная комбинация создаст у роботов с AI определенное чувство собственной уязвимости и гомеостатическую реакцию на внешние изменения.

Где сегодня можно найти искусственный интеллект

ИИ есть почти где угодно — и это не преувеличение. Когда вы при помощи смартфона фотографируете что-либо, искусственный интеллект определяет лица людей, оптимизирует яркость и меняет экспозицию. Когда звоните в колл-центр — ИИ определяет, к какому специалисту вас нужно переадресовать. Когда переводите текст — ИИ подбирает верные значения слов и выстраивает предложение.

Некоторые устройства, в которых используется искусственный интеллект, давно уже созданы, хотя и не стали еще обыденной частью реальности: например, автономные авто и смарт-дома. А в Китае, например, построенная на искусственном интеллекте система Zero Trust помогала властям искать коррумпированных чиновников: за несколько лет она выявила больше восьми тысяч таковых. Так что сколько бы процентов людей ни были недовольны тем, что компьютеры постоянно умнеют, выбора нет: artificial intelligence — часть нашей жизни.

Нашли опечатку? Выделите фрагмент и нажмите Ctrl + Enter.

Скопировать ссылку

Искусственный интеллект: как он работает и почему его считают опасностью?

Вопросом искусственного интеллекта начали заниматься ещё в середине ХХ века. Но многие до сих пор представляют покорение галактик, восстание машин и другие картины фантастов, когда слышат про искусственный интеллект. Тем временем технологии искусственного интеллекта уже используются в повседневной жизни. Благодаря этим технологиям машины способны решать всё больше задач, причём быстрее и качественнее. Особенно если для этого нужно обрабатывать большие массивы данных: искусственный интеллект решает такие задачи куда эффективнее, чем человек. Некоторые считают, что такая тенденция многим грозит потерей работы: согласно исследованию Oxford Martin School, до 2033 года технологии позволят полностью автоматизировать 47% рабочих мест. Informburo.kz рассказывает о том, что такое искусственный интеллект, как он работает и каковы перспективы его применения в будущем.

Что такое искусственный интеллект

Искусственный интеллект (ИИ) – это наука и технология создания компьютерных алгоритмов и программ, которые функционируют как интеллектуальные системы: обучаются и сохраняют информацию на основе опыта, оценивают и применяют абстрактные концепции, используют полученные знания, чтобы влиять на окружающую среду.

Искусственный интеллект делят на 2 типа: слабый и сильный. Слабый ИИ ещё называют узконаправленным, потому что он может выполнять только задачи в определённых рамках. Такими являются все существующие на сегодня разработки на основе технологии ИИ. Сильный искусственный интеллект сможет решать любые задачи в неограниченном спектре областей. Чтобы представить сильный ИИ, вспомните Джарвиса – помощника Тони Старка в "Железном человеке". Сегодня такой ИИ реализовать невозможно, да и сама идея его создания признана чистой утопией.

Дина Ли специально для Informburo.kz

Искусственный интеллект сегодня: нейросети и машинное обучение

Технологию ИИ можно реализовывать по-разному. Один из способов – нейросети. Нейросеть строится по тому же принципу, что и нервные сети в живом организме, отсюда и название. В организме в сеть соединяются нервные клетки – нейроны, они образуют нервную систему. А в искусственной нейросети используются простые процессоры – вычислительные элементы, которые соединяются и взаимодействуют по такой же схеме.

В отличие от обычных алгоритмов нейросети способны обучаться на основе опыта. Нейросети анализируют и выявляют связи между данными на входе и выходе, обобщают данные и формируют решения задач. Чтобы нейросети могли функционировать таким образом, используются методы машинного обучения. Причём в случае с нейросетями такое обучение требует много вычислительных ресурсов.

Чему вы сможете научить нейросеть, зависит от входных данных. Чем больше данных, тем качественнее будет обучение. Можно научить нейросеть отличать одни объекты от других, сравнивать и прогнозировать. Обучение нейросети похоже на обучение детей, когда им показывают картинку и говорят: "Это кошка". В случае с нейросетями они получают очень много таких картинок с объясняющими ярлыками и учатся распознавать отдельные элементы, которые затем смогут совмещать. Входное изображение попадает в некую фильтрующую систему. Фильтры в ней разные по размеру и по сложности элементов, которые могут распознать – у каждого есть свой набор признаков. Изображение многократно фильтруется в этой системе. Когда много элементов распознано, то нейросеть составляет прогноз: с такой-то вероятностью этот объект – человек.

Так появились нейросети, которые прогнозируют курс акций на завтра, распознают написанные от руки цифры индекса на почтовом конверте и определяют на снимке больной орган. Для их обучения использовали числовые данные о курсах на бирже и изображения написанных цифр, больных и здоровых органов.

Проблема заключалась в том, что нейросети часто ошибались, потому что трудно было собрать действительно большие выборки данных для обучения. В 2010 году появилась база изображений ImageNet: 15 миллионов изображений в 22 тысячах категорий. Доступ был открытым: данные мог использовать любой исследователь. В итоге стало возможным качественно обучать ИИ. Нейросети стали более развитыми, доступными и прочно интегрировались в повседневную жизнь.

Искусственный интеллект, с которым мы сталкиваемся в повседневной жизни

Голосовые помощники Siri, Google Assistant и Алиса, алгоритмы для рекомендаций на сайтах – например, Brain, который использует Youtube для рекомендации видео или блок с рекомендуемыми товарами на Amazon, чат-боты, – все они разработаны на основе технологий ИИ.

Платёжная система PayPal использует машинное обучение, чтобы нейросети находили подозрительные транзакции. Это позволяет компании уменьшить количество случаев мошенничества. Российское приложение Prisma использует нейросети для обработки фото.

Инженер компании NVIDIA Роберт Бонд разработал алгоритм, который включал садовые разбрызгиватели воды, когда к нему забредали соседские кошки и портили его сад. Чтобы определить, что это кошка, он использовал систему на основе нейросети Caffe: она определяла кошек по видеосъёмке с камер. Когда камера фиксировала изменение обстановки, то делала 7 фотографий. Фотографии анализировала нейросеть: если на снимках была кошка, то сеть включала разбрызгиватели.

Кроме того, нейросети написали 2 музыкальных альбома, которые можно послушать на Яндекс.Музыке. Один написан на основе песен группы "Гражданская оборона" (исполнителем значится "Нейронная оборона"), а другой – на основе "Нирваны" (исполнитель – Neurona).

Дина Ли специально для Informburo.kz

В каких областях ещё можно использовать нейросети

Нейросети применяют в медицине, финансах и коммерции, промышленности и обеспечении порядка и безопасности, – везде, где требуется обрабатывать большие объёмы данных, систематизировать и прогнозировать.

В медицине нейросети обучают распознавать опухоли, повреждения тканей и органов после травм, прогнозировать возможные осложнения и течение болезни. Это непросто: нет достаточно большой медицинской базы данных, а нужно добиться высокой точности. Ведь если нейросеть перепутает кошку с собакой, то это не так страшно. А вот если здоровый орган с больным – это будет плохо.

На профессиональной конференции разработчиков высоконагруженных систем HighLoad++ Наталия Ефремова рассказала о нестандартном использовании нейросетей для прогнозирования уровня бедности. Уровень бедности в Африке настолько высокий, что нет возможности просто собрать и проанализировать эти данные. Последние данные собирались в 2005 году. Учёные из Университета Стенфорда сначала обучили нейросеть с помощью базы изображений ImageNet, чтобы она могла распознавать поселения. Затем они собрали много изображений Африки со спутников в дневное и ночное время и загрузили их в нейросеть. Нейросеть оценила, есть ли у населения деньги освещать свои дома ночью, и сделала прогноз их уровня бедности. Прогноз затем сравнили с реальными данными за 2005 год – нейросеть составила довольно точный прогноз.

Почему нейросети ждёт новый виток развития

Вычислительных мощностей становится больше, как и изображений, и других баз данных для обучения нейросетей. Кроме того, оказалось, что нейросети способны на большую эффективность. Когда учёные Стенфорда обучали нейросеть прогнозировать бедность в Африке, они загрузили данные о крышах поселений. Но нейросеть самостоятельно научилась распознавать воду, леса, дороги и другие объекты – без заранее загруженных баз данных и вмешательства учителей.

В мае 2017 года разработчики из Google Brain представили проект AutoML, который самостоятельно проектирует модели машинного обучения. Если просто, то это ИИ, который проанализировал существующие нейросети, выявил эффективные стороны и создал другую нейросеть без вмешательства человека – NASNet. На проверочном наборе изображений NASNet показала точность прогнозирования 82,7%. Этот показатель выше, чем у всех более ранних нейросетей с распознанием изображений.

Кроме того, авторы открыли исходный код нейросети. Возможно, это даст новый толчок для развития ИИ.

Отберёт ли ИИ работу у людей

Развитие ИИ неизбежно повлияет на рынок труда. Но этому не стоит удивляться, ведь по сути это всё равно что модернизация и автоматизация. Какие-то профессии исчезнут, и появятся новые, ведь развитие ИИ повлияет и на развитие других областей.

Сейчас есть список профессий, которые, предположительно, искусственный интеллект, нейросети и чат-боты смогут забрать у человека. Например, Google инвестирует в роботов, которые пишут новости без участия человека. Некоторые виды программистов тоже могут остаться в перспективе без работы: речь идёт прежде всего о "кодерах", которые занимаются тем, что собирают готовые блоки, то есть их работу можно свести к алгоритму. То же касается, к примеру, HR-специалистов: нейросети могут охватывать гораздо больше источников информации, чтобы искать кандидатов, систематизировать их по определённым критериям и отправлять им уведомления. Также под угрозой исчезновения находятся операторы call-центров: на их плечи ложится очень много типовой работы, которую можно автоматизировать.

При этом развитие ИИ вызывает опасения. Один из главных изобретателей современности и основатель компаний SpaceX и Tesla Илон Маск назвал искусственный интеллект "самым большим риском, с которым человечество сталкивается как цивилизация". По его словам, компании, устраивая гонку за более передовыми технологиями, могут забыть про те опасности, которые исходят от искусственного интеллекта. Также неоднозначно искусственный интеллект оценивает и Стивен Хокинг. Учёный опасается, что он может привести к деградации человека, сделав его беспомощным перед лицом природы.

В данный момент трудно предсказать точные горизонты, которых сможет достичь ИИ. Но на сегодня мы знаем две важные вещи: некоторую работу нельзя делать без вмешательства человека, и совершенный ИИ, управляющий всем, – это пока фантастика.

Что такое искусственный интеллект

Есть мод­ные сло­ва: искус­ствен­ный интел­лект (ИИ), машин­ное обу­че­ние и ней­ро­се­ти. Раз­бе­рём­ся, что есть что и зачем оно нуж­но.

Чем не угодили обычные алгоритмы

С момен­та созда­ния пер­вых ком­пью­те­ров люди дава­ли им инструк­ции: делай то-то, в таком-то поряд­ке. Поря­док и опи­са­ние дей­ствий назы­ва­ет­ся алго­рит­мом. Все про­грам­мы, кото­рые вас окру­жа­ют, рабо­та­ют на базе алго­рит­мов. Там всё чёт­ко: «Если нажа­та такая кноп­ка, сде­лай вот это».

Про­бле­ма алго­рит­мов в том, что они совер­шен­но бес­по­мощ­ны за пре­де­ла­ми сво­их инструк­ций. Ком­пью­те­ры не уме­ют ори­ен­ти­ро­вать­ся по ситу­а­ции. Если в алго­рит­ме что-то не про­пи­са­но, ком­пью­тер это­го не сде­ла­ет, даже если от это­го зави­сит его жизнь. Если бы ком­пью­те­ры уме­ли ори­ен­ти­ро­вать­ся в нестан­дарт­ных ситу­а­ци­ях, мы бы нико­гда не виде­ли оши­бок и «синих экра­нов смер­ти».

Напри­мер, вы ска­за­ли робо­ту «Перед пере­хо­дом ули­цы посмот­ри сна­ча­ла нале­во, а потом напра­во, и если машин нет, то пере­хо­ди доро­гу». Робот подо­шёл к пере­хо­ду. Он посмот­рел нале­во, уви­дел там асфаль­то­уклад­чик. Асфаль­то­уклад­чик — это не маши­на, поэто­му робот пере­хо­дит доро­гу, его вка­ты­ва­ет в асфальт. А что? Такой алго­ритм.

Что­бы робо­ты вели себя немно­го умнее, им пишут слож­ные алго­рит­мы. Но про­бле­ма оста­ёт­ся: всё, что в алго­ритм не попа­ло, нико­гда не будет испол­не­но. И раз­ра­бот­чи­ки уже мно­го деся­ти­ле­тий меч­та­ют научить маши­ны думать более само­сто­я­тель­но. Для это­го при­ду­ма­ли мно­го чего, в том чис­ле — ней­ро­се­ти.

Что такое нейросети

Есть мно­го мифов о ней­ро­се­тях: буд­то это ком­пью­тер­ный разум, само­обу­ча­ю­ща­я­ся систе­ма, мыс­ля­щая про­грам­ма и так далее. Всё это не так.

На самом деле ней­ро­сеть — это про­сто очень слож­ная база дан­ных с кучей фор­мул. Дан­ные посту­па­ют с одно­го кон­ца базы дан­ных, обра­ба­ты­ва­ют­ся через кучу фор­мул и выда­ют­ся с дру­го­го кон­ца. Ника­ких мыс­лей там нет — про­сто мате­ма­ти­ка. Слож­ность в том, что­бы выве­сти те фор­му­лы, бла­го­да­ря кото­рым ней­ро­сеть даёт хоть сколько-нибудь полез­ный резуль­тат. Выве­де­ние этих фор­мул — и есть машин­ное обу­че­ние. У нас будет отдель­ная ста­тья о том, как это всё устро­е­но. 

Вот самое про­стое отоб­ра­же­ние струк­ту­ры ней­ро­се­ти. Сле­ва ячей­ки вво­да дан­ных, спра­ва ячей­ки выво­да дан­ных, а меж­ду ними — какой-то скры­тый слой, в кото­ром ней­ро­сеть совер­ша­ет свои мате­ма­ти­че­ские вычис­ле­ния. Пока что это может быть непо­нят­но, но мы еще рас­ска­жем об этом отдель­но.

Чем нейросети отличаются от алгоритмов

В алго­рит­мах раз­ра­бот­чи­ки сра­зу про­пи­сы­ва­ют пра­виль­ную после­до­ва­тель­ность дей­ствий, кото­рые дают какой-то пред­ска­зу­е­мый резуль­тат. Напри­мер, раз­ра­бот­чик пишет про­грам­му для рас­че­та пло­ща­ди квар­ти­ры по чер­те­жу, и там поша­го­во опи­са­ны все дей­ствия: умножь, сло­жи, вычти и т. д. Если посмот­реть на этот алго­ритм, будет понят­но его устрой­ство, в него мож­но вне­сти изме­не­ния. 

Ней­ро­се­тям вме­сто алго­рит­мов дают мно­го зара­нее пра­виль­но решен­ных задач. Напри­мер, десять тысяч пла­нов квар­тир с уже про­пи­сан­ны­ми пло­ща­дя­ми. И ней­ро­сеть начи­на­ет уга­ды­вать, какой резуль­тат от нее ожи­да­ют. Отдель­ный алго­ритм гово­рит ей, пра­виль­но она уга­да­ла или нет, и со вре­ме­нем она учит­ся уга­ды­вать всё более пра­виль­но. 

По ходу обу­че­ния у ней­ро­се­ти фор­ми­ру­ют­ся свя­зи, кото­рые поз­во­ля­ют ей уга­ды­вать полез­ный резуль­тат. Какие это свя­зи, никто не пони­ма­ет — мы можем их про­на­блю­дать, но не все­гда можем понять прин­цип, по кото­рым они фор­ми­ру­ют­ся. 

Коро­че: алго­ритм дела­ет то, что ему ска­за­но, и дает чет­кий пред­ска­зу­е­мый резуль­тат. Ней­ро­сеть уга­ды­ва­ет, что мы от нее хотим, по непо­нят­но­му нам прин­ци­пу. При этом, если сеть доста­точ­но хоро­шо обу­че­на, ее уга­ды­ва­ния могут быть доста­точ­но точ­ны­ми. 

Что нужно понимать о нейросетях

Ней­ро­се­ти в совре­мен­ном виде — это маши­ны по обра­бот­ке чисел. Ней­ро­сеть не пони­ма­ет, что смот­рит на кар­тин­ку или водит машин­ку, — она лишь видит чис­ла на вхо­де и выда­ёт чис­ла на выхо­де. Она даже не зна­ет, что у её чисел на выхо­де для нас есть какое-то зна­че­ние.

Напри­мер, в этом видео ней­ро­сеть полу­ча­ет семь чисел на вхо­де (это рас­сто­я­ния до пре­пят­ствий и направ­ле­ние дви­же­ния) и выда­ет два чис­ла на выхо­де — пово­рот руля и газ-тормоз. И уже симу­ля­тор гоноч­ной игры пре­вра­ща­ет эти чис­ла в дви­же­ние машин­ки. Ней­рон­ка про­сто обра­ба­ты­ва­ет чис­ла:

Ней­ро­сеть всё еще не уме­ет импро­ви­зи­ро­вать. Она может дей­ство­вать в ситу­а­ции неко­то­рой непред­ска­зу­е­мо­сти, но гене­ри­ро­вать ори­ги­наль­ные реше­ния — нет. 

Ней­ро­сеть мож­но запу­стить на любом ком­пью­те­ре, осо­бое желе­зо не нуж­но. Это про­сто алго­ритм и дан­ные. Их мож­но ско­пи­ро­вать, заар­хи­ви­ро­вать и выло­жить в интер­нет.

При этом есть и спе­ци­аль­ное желе­зо — ней­рон­ные про­цес­со­ры или, по-другому, ИИ-ускорители. Это те же мик­ро­про­цес­со­ры, но соеди­нён­ные таким обра­зом, что­бы быст­рее обсчи­ты­вать имен­но ней­рон­ки. Но они нуж­ны толь­ко для ско­ро­сти, так-то прин­ци­пи­аль­но ней­рон­ку мож­но рас­счи­тать и на обыч­ном про­цес­со­ре.

На нынеш­нем вит­ке раз­ви­тия ней­ро­се­ти спо­соб­ны лишь вос­про­из­во­дить то, чему их научи­ли. Сво­бод­ное твор­че­ство с чисто­го листа пока не изоб­ре­ли.

Где используется ИИ

Вокруг нас уже мно­го устройств и сер­ви­сов, внут­ри кото­рых есть ИИ в том или ином виде.

Голо­со­вые помощ­ни­ки в теле­фо­нах и колон­ках рас­по­зна­ют речь и коман­ды, что­бы пока­зать нам луч­ший марш­рут, резуль­тат поис­ка или зачи­тать про­гноз пого­ды. Та же «Али­са» рас­по­зна­ёт речь, ана­ли­зи­ру­ет её, опре­де­ля­ет тема­ти­ку диа­ло­га, выде­ля­ет полез­ную для поис­ка инфор­ма­цию и син­те­зи­ру­ет отве­ты помощ­ни­ка — и во всём ей помо­га­ют зара­нее натре­ни­ро­ван­ные ней­ро­се­ти. Подроб­нее про устрой­ство «Али­сы» читай­те на Хаб­ре.

Чат-боты на сай­тах пони­ма­ют типо­вые вопро­сы, даже если они сфор­му­ли­ро­ва­ны по-разному, и отве­ча­ют на них. Это поз­во­ля­ет нани­мать мень­ше людей в тех­под­держ­ку. Они отли­ча­ют­ся от при­ми­тив­ных ботов «Оставь-свой-номер-и-мы-перезвоним» тем, что рас­по­зна­ют текст вопро­са и сами нахо­дят на него ответ в сво­ей базе зна­ний. Чаще все­го внут­ри таких ботов кру­тит­ся TensorFlow — систе­ма машин­но­го обу­че­ния от Google с откры­ты­ми исход­ни­ка­ми. Хоти­те собрать тако­го бота само­сто­я­тель­но — дер­жи­те инструк­цию.

Умные филь­тры в фото­ка­ме­рах сами опре­де­ля­ют, когда вы сни­ма­е­те про­тив солн­ца, и добав­ля­ют ярко­сти в тенях, что­бы кар­тин­ка полу­чи­лась сба­лан­си­ро­ван­ной. Если дела­е­те сел­фи — каме­ра пони­ма­ет, что на фото будет лицо и дела­ет его ещё кра­си­вее: уби­ра­ет пры­щи­ки, мор­щин­ки и тор­ча­щие волос­ки. В послед­них моде­лях теле­фо­нов Honor за это отве­ча­ет отдель­ный модуль в про­цес­со­ре — Neural Network Processing Unit: NPU. Он управ­ля­ет про­стой ней­рон­кой, но даже её хва­та­ет для того, что­бы делать класс­ные фот­ки.

Вари­ан­тов реа­ли­за­ции ИИ мно­го, но их все мож­но раз­де­лить на две груп­пы — реше­ние узких задач и пол­но­цен­ный искус­ствен­ный интел­лект обще­го назна­че­ния.

ИИ общего назначения

А вот здесь всё не так здо­ро­во, как в реше­нии при­клад­ных задач. Дело в том, что научить ком­пью­тер мыс­лить как чело­век пока невоз­мож­но. Каж­дая область мыш­ле­ния — отдель­ная про­грам­ма, кото­рая долж­на уметь рабо­тать со все­ми осталь­ны­ми про­грам­ма­ми. Реа­ли­зо­вать такую мас­штаб­ную систе­му пока невоз­мож­но — нет ни алго­рит­мов, ни вычис­ли­тель­ной мощ­но­сти для это­го, плюс не на чем обу­чать.

Есть ими­та­ции искус­ствен­но­го интел­лек­та в отно­си­тель­но широ­ких обла­стях, но пол­но­цен­но мыс­лить как люди они не могут. Напри­мер, раз­ра­бот­ка ком­па­нии IBM — ИИ Watson — может стро­ить логи­че­ские свя­зи меж­ду мно­же­ством фак­тов и делать пра­виль­ные выво­ды на их осно­ве. Одно из при­ме­не­ний Ват­со­на — поста­нов­ка диа­гно­зов в меди­цине. Ещё он кру­то игра­ет в «Jeopardy!» — ана­лог «Сво­ей игры» на аме­ри­кан­ском ТВ.


IBM назна­чи­ла приз в мил­ли­он дол­ла­ров тому, кто побе­дит Ват­со­на в «Сво­ей игре». До сих пор нико­му это не уда­лось.

Но даже Ват­сон не может одно­вре­мен­но рас­по­зна­вать лица, писать акту­аль­ный и осмыс­лен­ный текст, под­дер­жи­вать пол­но­цен­ный диа­лог и при­ни­мать реше­ния, поехать ли в выход­ные на шаш­лы­ки или про­ве­сти вре­мя с детьми. Воз­мож­но, ситу­а­ция изме­нит­ся с выхо­дом пол­но­цен­ных кван­то­вых ком­пью­те­ров, но до это­го пока ещё очень дале­ко.

Плюс, есть чисто фило­соф­ская про­бле­ма: люди пока что не поня­ли до кон­ца, что такое созна­ние, что его опре­де­ля­ет, что такое разум и интел­лект. Что, если наш мозг — тоже лишь ней­ро­сеть, кото­рая видит инфор­ма­цию на вхо­де и выда­ёт дей­ствия на выхо­де? А всё, что мы счи­та­ем созна­ни­ем, — лишь внут­рен­ний шум от рабо­ты ней­ро­нов?

Но фило­со­фию оста­вим фило­со­фам. В одной из сле­ду­ю­щих ста­тей пока­жем, как по ней­рон­кам бегут сиг­на­лы, и деталь­но раз­бе­рём суть машин­но­го обу­че­ния.

Что умеет искусственный интеллект. Доклад Стэнфордского университета

Автономный транспорт уже в ближайшие 15 лет может стать обычным явлением. Его разработчики предлагают обществу доверить свою безопасность искусственному интеллекту, поэтому беспилотное оборудование начнут массово использовать, когда оно станет для этого достаточно надёжным.

В 2000 году беспилотные автомобили существовали только в виде образцов в лабораториях и выпускать их в город было слишком опасно. Но сегодня беспилотник от Google уже может проехать почти 500 000 км, ни разу не попав в аварию, а Tesla начала выпускать полуавтономные машины с обновляемым программным обеспечением. Предполагается, что в таком автомобиле человек должен постоянно оставаться за рулём, следить за дорогой и брать управление на себя, если с механизмом что-то случается. Правда, тут есть риск, что водитель, доверившись беспилотнику, потеряет контроль над ситуацией. Как в таком случае избежать катастрофы, пока непонятно. Этот вопрос встал особенно остро, когда летом 2016 года полуавтономный автомобиль Tesla попал в первую аварию со смертельным исходом.

Тем не менее, авторы доклада считают, что уже к 2020 году беспилотники будут широко использоваться, причём не только для индивидуального передвижения, но и для перевозки грузов и работы сервисов доставки. При этом станет меньше смертей из-за несчастных случаев, а средняя продолжительность человеческой жизни увеличится.

Со временем, когда механизмы научатся управлять транспортом лучше, чем люди, горожане станут реже покупать собственные автомобили и будут селиться дальше от работы. Это повлияет и на городскую среду, и на то, как люди будут проводить свободное время. Уже сегодня трудно представить себе дорожное движение без использования умных технологий: навигационные устройства для автомобилей начали использоваться в 2001 году, и за 15 лет огромное количество водителей привыкли выстраивать маршруты и рассчитывать длительность поездок с помощью смартфонов. Сегодня у американских автомобилей бывает примерно по 70 разных датчиков: гироскопы, датчики влажности и другие. Современные машины помогают водителям парковаться и предупреждают об объектах, которые находятся в слепой зоне.

Бытовые обязанности

Смотрите также