Напоследък публикациите за перспективите за появата на изкуствен интелект зачестиха. Обсъждат се практическите и морално-етични аспекти на съвместното съществуване на човечеството с него. Колко навременни са тези дискусии? Можем ли наистина да очакваме появата на „мислещи машини“?
Всички проекти за създаване на изкуствен интелект могат да бъдат грубо разделени на две области. Първият е натрупването на бази данни и обработката им чрез програми, имитиращи дейността на човешкия мозък. Вторият се базира на изучаването на модели на интелектуално поведение. Ключовият недостатък и на двете е, че все още не знаем достатъчно добре какво е умът и интелектуалното поведение, а човешкият мозък, честно казано, е сериозно проучен сравнително наскоро.
Съществува мнение, че проблемът може да бъде заобиколен поради киборги, тоест чрез сливане на жив мозък (маймуна, а в бъдеще - човек) с компютър, обаче този път е изпълнен с огромни трудности и, още по-лошо, в този случай ще бъде невъзможно да се говори пълен изкуствен интелект.
Учените обаче смятат, че е съвсем реалистично да прескочите няколко стъпки, позволявайки на изкуствения интелект да се развива независимо - точно както се е развил в живата природа, с разликата, че нейната еволюция ще се проведе във виртуално, а не материално пространство. Тук залогът е направен на изкуствени невронни мрежи или невронни мрежи (Artificial Neural Network).
Нека си спомним какво е неврон. Това е името на нервна клетка, което се различава от другите клетки по това, че е способно да съхранява и предава информация чрез електрически и химически сигнали. Функцията на невроните е открита в края на 19 век, което, разбира се, играе в ръцете на материалистите, които печелят авторитет по света по това време: те веднага декларират, че именно невроните съдържат „душата“. Оттук идва и идеята, че ако по някакъв начин отглеждате точно копие на мозъка, в него ще се роди „душа“. Но възникна философски въпрос: възможно ли е да се говори за „душа“без причина? В крайна сметка това е продукт на възпитанието, както показва изследването на „Маугли“- човешки деца, отгледани от животни. Съответно, не е достатъчно да се създаде копие на мозъка - той все още трябва да бъде „образован“, за да придобие интелигентност.
ТЕХНИЧЕСКА ТОНА
Мозъкът на нормален възрастен съдържа приблизително 86 милиарда неврони. Не толкова отдавна идеята за създаването на дигитален аналог му изглеждаше абсолютно фантастична. Въпреки това, днес, с развитието на информационните технологии, това вече изглежда доста постижимо.
Промоционално видео:
Трябва да се помни, че известният американски математик Норберт Винер, "баща" на кибернетиката, се счита за основател на теорията за моделиране на сложни биологични процеси, включително мозъчни процеси. През 1949 г. канадският психолог Доналд Хебб, специалист по изследване на мисловните процеси, въз основа на изчисленията на Винер, състави първия алгоритъм за обучение на невронни мрежи (между другото, по едно време Хеб служи в ЦРУ, където се занимава с проблема с промиването на мозъка).
През 1957 г. американецът Франк Розенблат, теоретик на изкуствения интелект, въз основа на предишната си работа създаде логическа диаграма на персептрон - самообучаващ се кибернетичен модел на мозъка, който беше реализиран три години по-късно на базата на електронния компютър Марк-1. Персептронът предава сигнали от фотоклетки (сензори, S-клетки) до блокове от клетки на електромеханичната памет, които са случайно свързани. Ако една от клетките получи сигнал, надвишаващ праговата стойност, тогава той я предава по-нататък - към суматора (R-елемент) и с определен коефициент ("тегло" на AR-връзката). В зависимост от сумата на сигнала, умножена по коефициентите на тегло, суматорът извежда един от три възможни резултата към изхода на цялата система: -1, 0 и +1. Обучението на персептрон става на етапа на въвеждане на тегловни коефициенти в системата. Например,поставяме фигура „квадрат“пред фотоклетките и задаваме правилото: когато квадрат се появи в зрителното поле, персептронът трябва да даде положителен резултат (+1), а когато се появи какъвто и да е друг обект, отрицателен (-1). След това променяме обектите едно по едно и коригираме теглата, когато се появи квадрат в посока на увеличаване, а в негово отсъствие - в посока на намаляване. В резултат на това получаваме уникален масив от стойности на коефициентите на тегло в системата за всеки вариант на появата на квадрат и в бъдеще можем да го използваме за разпознаване на квадрати. „Марк-1“, въпреки своята примитивност в сравнение със съвременните компютри, можеше да разпознае не само геометрични фигури, но и букви от азбуката и написани с различни почерки.когато в зрителното поле се появи квадрат, персептронът трябва да даде положителен резултат (+1), а когато се появи друг обект - отрицателен (-1). След това променяме обектите едно по едно и коригираме теглата, когато се появи квадрат в посока на увеличаване, а в негово отсъствие - в посока на намаляване. В резултат на това получаваме уникален масив от стойности на коефициентите на тегло в системата за всеки вариант на появата на квадрат и в бъдеще можем да го използваме за разпознаване на квадрати. Марк-1, въпреки своята примитивност в сравнение със съвременните компютри, можеше да разпознае не само геометрични фигури, но и букви от азбуката, освен това, написани с различни почерки.когато в зрителното поле се появи квадрат, персептронът трябва да даде положителен резултат (+1), а когато се появи друг обект - отрицателен (-1). След това променяме обекти един по един и коригираме теглата, когато се появи квадрат в посока на увеличаване, а в негово отсъствие - в посока на намаляване. В резултат на това получаваме уникален масив от стойности на коефициентите на тегло в системата за всеки вариант на появата на квадрат и в бъдеще можем да го използваме за разпознаване на квадрати. Марк-1, въпреки своята примитивност в сравнение със съвременните компютри, можеше да разпознае не само геометрични фигури, но и букви от азбуката, освен това, написани с различни почерки. След това променяме обекти един по един и коригираме теглата, когато се появи квадрат в посока на увеличаване, а в негово отсъствие - в посока на намаляване. В резултат на това получаваме уникален масив от стойности на коефициентите на тегло в системата за всеки вариант на появата на квадрат и в бъдеще можем да го използваме за разпознаване на квадрати. „Марк-1“, въпреки своята примитивност в сравнение със съвременните компютри, можеше да разпознае не само геометрични фигури, но и букви от азбуката и написани с различни почерки. След това променяме обекти един по един и коригираме теглата, когато се появи квадрат в посока на увеличаване, а в негово отсъствие - в посока на намаляване. В резултат на това получаваме уникален масив от стойности на коефициентите на тегло в системата за всеки вариант на появата на квадрат и в бъдеще можем да го използваме за разпознаване на квадрати. „Марк-1“, въпреки своята примитивност в сравнение със съвременните компютри, можеше да разпознае не само геометрични фигури, но и букви от азбуката и написани с различни почерки. В резултат на това получаваме уникален масив от стойности на коефициентите на тегло в системата за всеки вариант на появата на квадрат и в бъдеще можем да го използваме за разпознаване на квадрати. „Марк-1“, въпреки своята примитивност в сравнение със съвременните компютри, можеше да разпознае не само геометрични фигури, но и букви от азбуката и написани с различни почерки. В резултат на това получаваме уникален масив от стойности на коефициентите на тегло в системата за всеки вариант на появата на квадрат и в бъдеще можем да го използваме за разпознаване на квадрати. „Марк-1“, въпреки своята примитивност в сравнение със съвременните компютри, можеше да разпознае не само геометрични фигури, но и букви от азбуката и написани с различни почерки.
СМАРТНИ НЕЩА
Разбира се, оттогава се появиха много по-сложни схеми, алгоритми и варианти на перцептрони. Независимо от това, този подход за организиране на модел на невронна мрежа има фундаментални ограничения: например, рецепторите са безсилни да решат проблема с разделянето на фигура на отделни части или определянето на относителното положение на фигурите.
Когато стана ясно, че е невъзможно да се изгради изкуствен интелект на базата на перцептрони, интересът към тях падна. Независимо от това, в началото на 80-те години се появяват нови варианти на самообучаващи се и самоорганизиращи се невронни мрежи: мрежата Хопфийлд, мрежата на Хемминг, мрежата на Кохонен, Йорданската мрежа и други. През 1986 г. се случи своеобразна революция: съветските и американските учени разработиха метод за обратно разпространение (итеративен градиентен алгоритъм), който направи възможно преодоляването на откритите преди това ограничения. След това невронните мрежи получиха бързо развитие, което веднага беше внедрено в приложни компютърни програми.
Съвременните софтуерни пакети, изградени на базата на изкуствени невронни мрежи, са способни да разпознават произволно сложни текстове, звукови команди, лица, жестове и изражения на лицето. Това обаче са само най-простите случаи за употреба, има и по-необичайни. Самообучаващи се автопилоти, способни да реагират на развитието на катастрофални ситуации по-рано от пилотите. Борсови инспектори, идентифициращи съмнителни сделки на фондовите пазари. Мрежови рекламни агенти, които проследяват предпочитанията на потенциалните клиенти. Медицински диагностици, определящи патологии при кърмачета.
Ясно е, че с подобряването на информационните технологии, невронните мрежи също ще стават по-сложни. Те ще управляват всички домакински уреди и животоподдръжка за домове, фабрики и супермаркети. Те могат да наблюдават заплахите, да анализират тенденциите и да дават съвети например относно оптималната инвестиция на пари. Те дори ще могат да създават предмети на изкуството: вече има картини и стихотворения, написани от невронни мрежи!
РАБОТА ИЛИ ПРИЯТЕЛСТВОТО?
Всъщност всичко отива до факта, че невронната мрежа някой ден ще се превърне в незаменим помощник в хиляди големи и малки въпроси. Футуристите се страхуват от това. Те вярват, че в един момент количеството ще се превърне в качество, в невронните мрежи ще възникне изкуствен интелект, който веднага ще предизвика предизвикателство към човечеството и ще го унищожи. Възможен е и друг вариант - хората ще станат толкова зависими от решенията, взети от невронната мрежа, че самите те няма да забележат как ще се превърнат в нейни роби.
Страшни сценарии като тези изглеждат твърде странни. Факт е, че първоначално невронните мрежи са структурирани така, че да се адаптират към нуждите на конкретен човек или група хора. Те могат да помогнат да коригирате грешка или да дадете съвет, да подчертаете проблем или да забележите измама, но те самите не са в състояние да направят избор между еквивалентни опции, защото ние (за съжаление или за щастие) няма да можем да ги научим на главното - морал. Следователно, по всяко време, невронните мрежи ще бъдат като домашните кучета - послушни, лоялни и приятелски настроени.
Антон Первушин
