За да подобри живота на хората, изкуственият интелект трябва да бъде на първо място ориентиран към човека. Както обяснява главният учен Google Cloud Fei-Fei Li, на практика това означава подобряване на уменията за комуникация и сътрудничество в допълнение към разнообразяването на екипите, които разработват тези технологии.

Изкуственият интелект днес

Една от най-големите компании за изкуствен интелект (AI) е Google, компания, която мнозина свързват с популярната търсачка. През годините нейните специалисти разработват AI, което може да се види в някои от актуалните продукти. Например Google Assistant, който беше пуснат за смартфони с Android през февруари; в допълнение, AI също помага на гореспоменатата търсачка да върши работата си; накрая, интелигентният високоговорител Google Home е оборудван с AI система. В момента AI изглежда като първокласник, но в дългосрочен план може да достигне точката, в която да стане по-умен от обикновения човек, който взаимодейства с него.

Въпреки това, за да постигне тази цел, самият AI първо трябва да стане по-подобен на човека. Поне така смята Фей-Фей Ли, главен учен в Google Cloud и директор на Станфордската лаборатория за изкуствен интелект и зрение. Според нея по този начин AI ще ни помогне да подобрим ежедневието си и ще осигурим психологически комфорт, докато общуваме с него.

В интервю за MIT Technology Review Ли обясни, че мисленето за въздействието на ИИ върху света около нас е критична част от аналитичния процес и че работата с изкуствен интелект ясно показа, че бъдещите разработки трябва да са по-ориентирани към човека .

Развитие на машинния интелект

„Ако оценим какво ниво е достигнала AI технологията в момента, тогава според мен най-впечатляващият маркер ще бъде отличното разпознаване на шаблони. Съвременният AI е твърде фокусиран върху , липсва му контекстуалната осведоменост и гъвкавото обучение, присъщи на хората. Ние също така искаме да направим технология, която прави живота на хората по-добър, по-безопасен, по-продуктивен и по-добър в работата – и това изисква много високо ниво на взаимодействие човек-машина“, казва Лий.

Вече можем да видим първите признаци на такава тенденция, но потенциалът й все още не е разкрит. Например през юли Google DeepMind демонстрира AI, който има „въображение“ и е в състояние да анализира информация и да планира действия без човешка намеса. Компанията каза, че нейното дете е "на ръба" да успее да имитира перфектно човешка реч. Друга технология на Google, Google Clips, може да прави снимки сама, елиминирайки необходимостта човек да отгатва „перфектния момент“ за снимане. Това се вписва добре във визията на Лий, но също така подчертава необходимостта от по-нататъшна работа за саморазчитане на ИИ.

AI като идеалния човек на бъдещето

Както уверява Лий, простото надграждане на изкуствения интелект и добавянето на нови функции към него няма да е достатъчно. Колкото по-силна е връзката между машина и човек, толкова по-висок е рискът неморалните части на обществото да повлияят на изкуствения интелект и затова тук е необходим на първо място творчески подход и колективна работа на много специалисти.

„Когато създавате технология, която е широко разпространена и играе решаваща роля за човечеството, тогава, разбира се, трябва да сте сигурни, че тя носи ценностите, присъщи на всички хора и обслужва нуждите на цялото население на Земята . Ако разработчиците положат всички усилия, за да гарантират, че програмата е еднакво полезна за всички без изключение, това наистина ще позволи революция в системите с изкуствен интелект.

Разбира се, изкуственият интелект е нашият билет за бъдещето. Но тъй като е само инструмент в ръцете на човек, той може да се използва както за добро, така и за егоистични, понякога дори незаконни цели. Ако тази технология е предопределена да промени света, тогава да се надяваме, че учените ще направят правилния избор.

Машинно разбиране на естествения език с алгоритмичен изкуствен интелект, т.е. системи за въпроси и отговори и достъп до бази данни на естествен език, превод от един език на друг, разпознаване на образи, анализ на изображения на 3-измерни сцени, логистични системи за представяне на знания и логически изводи, евристично програмиране , доказване на теореми, вземане на решения, игри, бази данни, бази знания, роботи, експертни системи

Предварителна дефиниция на мисленето Мозъкът възниква и се развива, за да осигури съществуването на животните, тоест за оцеляването. Възможна е проста функционална дефиниция на мисленето, базирана на идеята за какво е мисленето (човек или животно). Мисленето е активен процес в живия мозък, насочен към: 1. изграждане в мозъка на активен йерархичен модел на средата, необходим и достатъчен за възприемане на средата и контрол на активното целенасочено поведение в многоекстремна среда; 2. осъществяване на процеса на възприемане на околната среда; 3. осъществяване на процеса на контрол на поведението в многоекстремна среда; 4. осъществяване на учебния процес; 5. решение на неалгоритмични (творчески) задачи.

Човекът дори не подозираше липсата на мозък и това не му попречи да води пълноценен интелектуален живот. Мъж на 44 години, началник общинска администрация. Коефициентът на обща интелигентност - IQ - е 75, вербален - 84, невербален - 70. Това наистина не са много големи стойности, но като цяло са над долната граница на нормата, която обикновено съвпада със стойността 70 .

Във всеки от нас има дракон. Организационно човешкият мозък, подобно на всички висши животни, може условно да бъде разделен на три функционални структури: мозък на влечуги, стволов мозък (включително гръбначния мозък) и неокортекс. Поведението, включително интелектуалното, се определя от цялостната, единна работа на всички тези структури. Всичко, което сме наследили от влечугите, е толкова човешко, колкото и задоволяването на висшите духовни потребности. Много високо "духовни" учения са по същество форма на поведение на рептил. Да убиеш "Дракона", според метафората на Е. Шварц, не е възможно. С "Дракон" можете само да се съгласите.

Класическият изкуствен интелект е малко вероятно да бъде въплътен в мислещи машини; границата на човешката изобретателност в тази област, очевидно, ще бъде ограничена до създаването на системи, които имитират работата на мозъка.

Науката за изкуствения интелект (ИИ) е в процес на революция. За да обясним причините и значението му и да го поставим в перспектива, първо трябва да се обърнем към историята.

В началото на 50-те години на миналия век традиционният, донякъде неясен въпрос дали една машина може да мисли, отстъпи място на по-достъпния въпрос дали машина, която манипулира физически символи според правила, базирани на структура, може да мисли. Този въпрос е формулиран по-точно, защото формалната логика и теорията на изчисленията са постигнали значителен напредък през предходния половин век. Теоретиците започнаха да оценяват възможностите на абстрактните символни системи, които претърпяват трансформации в съответствие с определени правила. Изглежда, че ако тези системи могат да бъдат автоматизирани, тогава тяхната абстрактна изчислителна мощ ще се прояви в реална физическа система. Такива възгледи допринесоха за раждането на добре дефинирана изследователска програма на доста дълбока теоретична основа.

Може ли една машина да мисли?

Имаше много причини да отговоря с „да“. В исторически план една от първите и най-дълбоки причини са два важни резултата от теорията на изчисленията. Първият резултат беше тезата на Чърч, че всяка ефективно изчислима функция е рекурсивно изчислима. Терминът "ефективно изчислим" означава, че има някакъв вид "механична" процедура, чрез която е възможно да се изчисли резултатът за крайно време, дадени на входните данни. „Рекурсивно изчислим“ означава, че има краен набор от операции, които могат да бъдат приложени към даден вход и след това последователно и многократно приложени към новополучените резултати, за да се изчисли функцията за крайно време. Концепцията за механична процедура не е формална, а по-скоро интуитивна и следователно тезата на Чърч няма официално доказателство. Въпреки това, той стига до сърцевината на това, което е изчислението, и много различни доказателства се събират в подкрепа на това.

Вторият важен резултат е получен от Алън М. Тюринг, който показа, че всяка рекурсивно изчислима функция може да бъде изчислена за крайно време с помощта на максимално опростена машина за манипулиране на символи, която по-късно се нарича универсална машина на Тюринг. Тази машина се управлява от рекурсивно приложими правила, чувствителни към идентичността, реда и местоположението на елементарните символи, които действат като вход.

Много важно следствие следва от тези два резултата, а именно, че стандартен цифров компютър, снабден с правилната програма, достатъчно голяма памет и достатъчно време, може да изчисли всяка управлявана от правила функция с вход и изход. С други думи, той може да демонстрира всеки систематичен набор от отговори на произволни влияния от външната среда.

Нека конкретизираме това по следния начин: резултатите, обсъдени по-горе, означават, че правилно програмирана машина, която манипулира символи (наричана по-нататък MC машина), трябва да удовлетвори теста на Тюринг за наличие на съзнателен ум. Тестът на Тюринг е чисто поведенчески тест, но неговите изисквания са много силни. (Колко валиден е този тест, ще обсъдим по-долу, където се срещаме с втория, фундаментално различен „тест“ за наличието на съзнателен ум.) Според оригиналната версия на теста на Тюринг входът към MS машината трябва са въпроси и фрази на естествен разговорен език, които въвеждаме на клавиатурата на входното устройство, а изходът е отговорите на MS машината, отпечатани от изходното устройство. Счита се, че една машина е издържала този тест за наличие на съзнателен ум, ако нейните отговори не могат да бъдат разграничени от тези, въведени от истински, интелигентен човек. Разбира се, в момента никой не знае функцията, чрез която би било възможно да се получи резултат, който не се различава от поведението на рационален човек. Но резултатите на Чърч и Тюринг ни гарантират, че каквато и да е тази (вероятно ефективна) функция, подходящо проектирана MS машина може да я изчисли.

Това е много важно заключение, особено като се има предвид, че описанието на Тюринг за взаимодействие с машина с помощта на пишеща машина е незначително ограничение. Същото заключение важи дори ако MC-машината взаимодейства със света по по-сложни начини: чрез апарата за директно виждане, естествена реч и т.н. В крайна сметка по-сложната рекурсивна функция все още остава изчислима по Тюринг. Остава само един проблем: да се намери тази несъмнено сложна функция, която контролира реакциите на човек към влияния от външната среда, и след това да се напише програма (набор от рекурсивно приложими правила), с която MS машината ще изчисли тази функция. Тези цели са в основата на научната програма на класическия изкуствен интелект.

Първите резултати бяха обнадеждаващи

MC машините с гениално програмирани програми демонстрираха цял набор от действия, които сякаш принадлежаха към проявленията на ума. Те отговаряха на сложни команди, решаваха трудни аритметични, алгебрични и тактически задачи, играеха пулове и шах, доказваха теореми и поддържаха прост диалог. Резултатите продължиха да се подобряват с появата на по-големи устройства за съхранение, по-бързи машини и разработването на по-мощни и сложни програми. Класическият или "програмиран" AI е много жизнена и успешна област на науката от почти всяка гледна точка. Повтарящото се отричане, че MC машините в крайна сметка ще могат да мислят, изглеждаше пристрастно и неинформирано. Доказателствата в полза на положителния отговор на поставения в заглавието на статията въпрос изглеждаха повече от убедителни.

Разбира се, имаше и неясноти. Първо, MS машините не приличаха много на човешкия мозък. И тук обаче класическият AI имаше готов убедителен отговор. Първо, физическият материал, от който е направена една MS машина, по същество няма нищо общо с функцията, която изчислява. Последното е включено в програмата. Второ, техническите детайли на функционалната архитектура на машината също са без значение, тъй като напълно различни архитектури, проектирани да работят с напълно различни програми, въпреки това могат да изпълняват една и съща входно-изходна функция.

Следователно целта на AI беше да намери функция, която е характерна за ума по отношение на входа и изхода, както и да създаде най-ефективната от много възможни програми, за да изчисли тази функция. В същото време беше казано, че конкретният начин, по който функцията се изчислява от човешкия мозък, няма значение. Това завършва описанието на същността на класическия ИИ и основанията за положителен отговор на въпроса, поставен в заглавието на статията.

Може ли една машина да мисли? Имаше и някои аргументи в полза на отрицателния отговор. През 60-те години достойните за внимание отрицателни аргументи са сравнително редки. Понякога се повдига възражението, че мисленето не е физически процес и че се извършва в нематериална душа. Подобен дуалистичен възглед обаче не изглеждаше достатъчно убедителен нито от еволюционна, нито от логическа гледна точка. Това не е имало възпиращ ефект върху изследванията на ИИ.

Съображения от различен характер привлякоха много повече внимание на специалистите по изкуствен интелект. През 1972 г. Хюбърт Л. Драйфус публикува книга, която е силно критична към парадните прояви на интелигентност в AI системите. Той посочи, че тези системи не моделират адекватно истинското мислене и разкриха модел, присъщ на всички тези неуспешни опити. Според него в моделите липсва онзи огромен запас от неформализирани общи знания за света, които всеки човек има, както и способността, присъща на здравия разум, да разчита на определени компоненти от това знание, в зависимост от изискванията на променящата се среда . Драйфус не отрича фундаменталната възможност за създаване на изкуствена физическа система, способна да мисли, но той беше силно критичен към идеята, че това може да се постигне само чрез манипулиране на символи с рекурсивно прилагани правила.

В средите на специалистите по изкуствен интелект, както и на философите на разсъждението Драйфусбяха възприемани предимно като късогледи и пристрастни, основани на неизбежните опростявания, присъщи на тази все още много млада област на изследване. Може би тези недостатъци наистина се случиха, но те, разбира се, бяха временни. Ще дойде време, когато по-мощните машини и по-добрите програми ще позволят да се отървем от тези недостатъци. Изглежда, че времето работи за изкуствения интелект. По този начин тези възражения не са имали забележимо въздействие върху по-нататъшните изследвания в областта на ИИ.

Оказа се обаче, че времето работи Драйфус: в края на 70-те - началото на 80-те, увеличаването на скоростта и паметта на компютрите не увеличи много техните "умствени способности". Оказа се например, че разпознаването на образи в системите за машинно зрение изисква неочаквано голямо количество изчисления. За да се получат практически надеждни резултати, трябваше да се изразходва все повече компютърно време, далеч надхвърлящо времето, необходимо за изпълнение на същите задачи за система за биологично зрение. Такъв бавен процес на симулация беше тревожен: в крайна сметка в компютъра сигналите се разпространяват около милион пъти по-бързо, отколкото в мозъка, а тактовата честота на централния процесор на компютъра е приблизително същите пъти по-висока от честотата на всички открити колебания в мозъка. И все пак при реалистични задачи костенурката лесно изпреварва заека.

В допълнение, за решаване на реалистични проблеми е необходимо компютърната програма да има достъп до изключително голяма база данни. Изграждането на такава база данни вече е доста труден проблем само по себе си, но той се изостря от друго обстоятелство: как да се осигури достъп до конкретни, контекстно-зависими фрагменти от тази база данни в реално време. Тъй като базите данни стават все по-обемни, проблемът с достъпа става все по-сложен. Изчерпателното търсене отне твърде много време и евристичните методи не винаги бяха успешни. Страхове, подобни на изразените от Драйфус, започнаха да се споделят дори от някои експерти, работещи в областта на изкуствения интелект.

Приблизително по това време (1980 г.) Джон Сърл представи новаторска критична концепция, която постави под въпрос много фундаменталното допускане на класическата програма за изследване на ИИ, а именно идеята, че правилното манипулиране на структурирани символи чрез рекурсивно прилагане на правила, които отчитат тяхната структура , може да представлява същността на съзнателния ум.

Основният аргумент на Сърл се основава на мисловен експеримент, в който той демонстрира два много важни факта. Първо, той описва MC машина, която (както трябва да разберем) изпълнява функция, която на вход и изход е способна да премине теста на Тюринг под формата на разговор, който се провежда изключително на китайски. Второ, вътрешната структура на машината е такава, че независимо какво поведение проявява, няма съмнение за наблюдателя, че нито машината като цяло, нито която и да е част от нея разбира китайския език. Всичко, което съдържа е човек, който говори само английски, следвайки правилата, написани в инструкциите, с помощта на които знаците трябва да бъдат манипулирани при влизане и излизане през пощенската кутия на вратата. Накратко, системата удовлетворява положително теста на Тюринг, въпреки факта, че няма истинско разбиране на китайския език и действителното семантично съдържание на съобщенията (вижте статията на J. Searle „Умът на мозъка – компютърна програма? ").

Общото заключение от това е, че всяка система, която просто манипулира физически символи според чувствителни към структурата правила, в най-добрия случай ще бъде жалка пародия на истински съзнателен ум, тъй като е невъзможно да се генерира "истинска семантика" чрез просто завъртане на копчето на " празен синтаксис". Тук трябва да се отбележи, че Сърл не предлага поведенчески (неповеденчески) тест за наличие на съзнание: елементите на съзнанието трябва да имат реално семантично съдържание.

Има изкушение да се упрекне Сърл, че неговият мисловен експеримент не е адекватен, тъй като предложената от него система, действаща като "кубчето на Рубик", ще работи абсурдно бавно. Сърл обаче настоява, че скоростта не играе никаква роля в случая. Който мисли бавно, пак мисли правилно. Всичко необходимо за възпроизвеждане на мисленето, според концепцията на класическия AI, според него присъства в "китайската стая".

Статията на Сърл предизвика ентусиазирани реакции от експерти по ИИ, психолози и философи. Като цяло обаче тя беше посрещната дори с по-голяма враждебност от книгата на Драйфус. В статията си, която е публикувана едновременно в този брой на списанието, Searle прави редица критични аргументи срещу неговата концепция. Според нас много от тях са легитимни, особено тези, чиито автори алчно „хващат стръвта“, твърдейки, че въпреки че системата, състояща се от стая и нейното съдържание, е ужасно бавна, тя все още разбира китайски.

Харесваме тези отговори, но не защото смятаме, че китайската стая разбира китайски. Съгласни сме със Сърл, че тя не го разбира. Привлекателността на тези аргументи е, че те отразяват неуспеха да се приеме изключително важната трета аксиома в аргумента на Сърл: "Синтаксисът сам по себе си не съставлява семантика и не е достатъчен за съществуването на семантика." Тази аксиома може да е вярна, но Сърл не може с основание да твърди, че знае това със сигурност. Нещо повече, да се предполага, че това е вярно, означава да се зададе въпросът дали програмата за класическо изследване на ИИ е стабилна, тъй като тази програма се основава на много интересното предположение, че ако можем само да задвижим подходящо структуриран процес, един вид вътрешен танц на синтактични елементи, правилно свързани с входовете и изходите, тогава можем да получим същите състояния и прояви на ума, които са присъщи на човека.

Че третата аксиома на Сърл наистина повдига този въпрос, става ясно, когато я сравним директно с първото му заключение: „Програмите се явяват като същността на ума и тяхното присъствие не е достатъчно за присъствието на ума.“ Не е трудно да се види, че третата му аксиома вече носи 90% от заключението, почти идентично с нея. Ето защо мисловният експеримент на Сърл е специално предназначен да подкрепи третата аксиома. Това е целият смисъл на китайската стая.

Въпреки че примерът с китайската стая прави аксиома 3 привлекателна за непосветените, ние не смятаме, че той доказва валидността на тази аксиома и за да демонстрираме неуспеха на този пример, предлагаме нашия паралелен пример като илюстрация. Често един-единствен добър пример, който опровергава оспорвано твърдение, е много по-добър за изясняване на ситуацията, отколкото цяла книга, пълна с логическо жонглиране.

Има много примери за скептицизъм в историята на науката, като тези, които виждаме в разсъжденията на Сърл. През XVIII век. Ирландският епископ Джордж Бъркли смята, че е немислимо компресионните вълни във въздуха сами по себе си да бъдат същността на звуковите явления или достатъчен фактор за тяхното съществуване. Английският поет и художник Уилям Блейк и немският натуралист Йохан Гьоте смятаха за немислимо малките частици материя сами по себе си да бъдат същност или фактор, достатъчен за обективното съществуване на светлината. Дори през този век е имало хора, които не са можели да си представят, че неживата материя сама по себе си, без значение колко сложна е нейната организация, може да бъде органична единица или достатъчно условие за живот. Ясно е, че това, което хората могат или не могат да си представят, често няма нищо общо с това, което действително съществува или не съществува в действителност. Това важи дори когато става въпрос за хора с много високо ниво на интелигентност.

За да видим как тези исторически уроци могат да бъдат приложени към разсъжденията на Сърл, нека приложим изкуствен паралел към неговата логика и да подсилим този паралел с мисловен експеримент.

Аксиома 1. Електричеството и магнетизмът са физически сили.

Аксиома 2. Основно свойство на светлината е осветеността.

Аксиома 3. Самите сили се явяват същността на светещия ефект и не са достатъчни за неговото наличие.

Заключение 1. Електричеството и магнетизмът не са същността на светлината и не са достатъчни за нейното съществуване.

Да приемем, че това разсъждение е публикувано малко след това Джеймс К. Максуелпрез 1864 г. предполага, че светлината и електромагнитните вълни са идентични, но преди систематичните паралели между свойствата на светлината и свойствата на електромагнитните вълни да бъдат напълно осъзнати в света. Горното логическо разсъждение може да изглежда като убедително възражение срещу смелата хипотеза на Максуел, особено ако е придружено от следния коментар в подкрепа на аксиома 3.

Помислете за тъмна стая, в която човек държи постоянен магнит или зареден предмет в ръцете си. Ако човек започне да движи магнита нагоре и надолу, тогава, според теорията на Максуел за изкуственото осветление (AI), разпространяваща се сфера от електромагнитни вълни ще се излъчва от магнита и стаята ще стане по-светла. Но, както всеки, който се е опитвал да играе с магнити или заредени топки, знае добре, техните сили (и по този въпрос, всички други сили), дори когато тези обекти са в движение, не създават никакво сияние. Следователно изглежда немислимо да постигнем истински светещ ефект просто чрез манипулиране на сили!

Флуктуациите в електромагнитните сили са леки, въпреки че магнитът, който човек движи, не произвежда никакво сияние. По същия начин, манипулирането на символи според определени правила може да представлява интелигентност, въпреки че базираната на правила система, открита в Китайската стая на Сърл, изглежда липсва истинско разбиране.

Какво би могъл да отговори Максуел, ако това предизвикателство му бъде отправено?

Първо, той може да е настоявал, че експериментът със "светещата стая" ни подвежда относно свойствата на видимата светлина, тъй като честотата на вибрациите на магнита е изключително ниска, около 1015 пъти по-малка от необходимата. Това може да бъде последвано от нетърпелив отговор, че честотата тук не играе никаква роля, че стаята с осцилиращия магнит вече съдържа всичко необходимо за проявата на светещия ефект в пълно съответствие с теорията на самия Максуел.

На свой ред Максуелби могъл да "хване стръвта", твърдейки съвсем правилно, че стаята вече е пълна със светлина, но природата и силата на тази светлина са такива, че човек не е в състояние да я види. (Поради ниската честота, с която човек движи магнит, дължината на генерираните електромагнитни вълни е твърде голяма и интензитетът е твърде нисък, за да може човешкото око да реагира на тях.) Въпреки това, предвид нивото на разбиране на тези явления в разглеждания период от време (60-те години на миналия век) подобно обяснение вероятно би предизвикало смях и подигравателни забележки. Светеща стая! Но извинете, г-н Максуел, там е напълно тъмно!“

Така че виждаме, че бедните Максуелтрябва да е трудно. Всичко, което може да направи, е да настоява за следните три точки. Първо, аксиома 3 в горното разсъждение не е вярна. Всъщност, въпреки факта, че интуитивно изглежда доста правдоподобно, ние неволно повдигаме въпрос за това. Второ, експериментът със светеща стая не ни показва нищо интересно за физическата природа на светлината. И трето, за да решим наистина проблема със светлината и възможността за изкуствена светлина, имаме нужда от изследователска програма, която ще ни позволи да установим дали при подходящи условия поведението на електромагнитните вълни е напълно идентично с поведението на светлината. Същият отговор трябва да бъде даден от класическия изкуствен интелект на разсъжденията на Сърл. Въпреки че китайската стая на Сърл може да изглежда „семантично тъмна“, той няма много причини да настоява, че манипулирането на символи, извършено според определени правила, никога не може да доведе до семантични феномени, особено след като хората все още са зле информирани и ограничени само от разбирането на езика.нивото на здравия разум на онези семантични и мисловни феномени, които трябва да бъдат обяснени. Вместо да се възползва от разбирането за тези неща, Сърл в своите разсъждения свободно използва липсата на такова разбиране у хората.

След като изразихме критиките си към разсъжденията на Сърл, нека се върнем към въпроса дали една класическа AI програма има реален шанс да разреши проблема на съзнанието и да създаде мислеща машина. Смятаме, че перспективите тук не са светли, но нашето мнение се основава на причини, които са коренно различни от тези, използвани от Searle. Ние се основаваме на конкретни провали на класическата програма за изследване на ИИ и на набор от уроци, които биологичният мозък ни е научил чрез нов клас изчислителни модели, които въплъщават някои свойства на неговата структура. Вече споменахме провалите на класическия AI при решаването на онези проблеми, които бързо и ефективно се решават от мозъка. Учените постепенно стигат до консенсуса, че тези неуспехи се дължат на свойствата на функционалната архитектура на MS машините, които са просто неподходящи за решаване на сложните задачи пред нея.

Това, което трябва да знаем, е как мозъкът постига мисловния ефект? Обратното инженерство е широко разпространена техника в инженерството. Когато нова технология излезе на пазара, конкурентите разбират как работи, като я разглобяват и се опитват да отгатнат принципа, на който се основава. В случая с мозъка този подход е изключително труден за прилагане, защото мозъкът е най-сложното нещо на планетата. Въпреки това неврофизиолозите са успели да разкрият много свойства на мозъка на различни структурни нива. Три анатомични характеристики го отличават фундаментално от архитектурата на традиционните електронни компютри.

Първо, нервната система е паралелна машина, в смисъл, че сигналите се обработват едновременно по милиони различни начини. Например, ретината на окото предава сложен входен сигнал към мозъка не на групи от 8, 16 или 32 елемента, като настолен компютър, а под формата на сигнал, състоящ се от почти милион отделни елемента, пристигащи едновременно в край на зрителния нерв (латералното геникуларно тяло), след което те също едновременно, на един етап, се обработват от мозъка. Второ, елементарното "устройство за обработка" на мозъка, невронът, е сравнително просто. Освен това неговият отговор на входен сигнал е аналогов, а не цифров, в смисъл, че честотата на изходния сигнал се променя непрекъснато с входните сигнали.

на трето място,в мозъка, в допълнение към аксоните, водещи от една група неврони към друга, често намираме аксони, водещи в обратна посока. Тези процеси на връщане позволяват на мозъка да модулира начина, по който се обработва сензорната информация. Още по-важен е фактът, че поради тяхното съществуване мозъкът е наистина динамична система, в която непрекъснато поддържаното поведение се характеризира както с много висока сложност, така и с относителна независимост от периферни стимули. Опростените мрежови модели изиграха полезна роля при изучаването на механизмите на работа на реални невронни мрежи и изчислителните свойства на паралелните архитектури. Помислете, например, за трислоен модел, състоящ се от невроноподобни елементи, които имат подобни на аксон връзки с елементи от следващото ниво. Входящият стимул достига прага на активиране на даден входен елемент, който изпраща сигнал с пропорционална сила по своя "аксон" към многобройните "синаптични" окончания на елементите на скрития слой. Общият ефект е, че определен модел на активиране на сигнали върху набор от входни елементи генерира определен модел на сигнали върху набор от скрити елементи.

Същото може да се каже и за изходните елементи. По подобен начин конфигурацията на активиращите сигнали в среза на скрития слой води до определен модел на активиране в среза на изходните елементи. Обобщавайки, можем да кажем, че разглежданата мрежа е устройство за преобразуване на произволен голям брой възможни входни вектори (конфигурации на активиращи сигнали) в уникално съответстващ изходен вектор. Това устройство е предназначено за изчисляване на специфична функция. Коя функция оценява зависи от глобалната конфигурация на структурата на синаптичната тежест.

Невронните мрежи моделират основното свойство на микроструктурата на мозъка. В тази трислойна мрежа входните неврони (долу вляво) обработват модела на сигнали за изстрелване (долу вдясно) и ги предават през претеглени връзки към скрития слой. Елементите на скрития слой обобщават множеството си входове, за да формират нова конфигурация на сигнала. Той се предава на външния слой, който извършва по-нататъшни трансформации. Като цяло мрежата ще трансформира всеки входен набор от сигнали в съответния изход, в зависимост от местоположението и относителната сила на връзките между невроните.

Има различни процедури за напасване на тегла, благодарение на които може да се направи мрежа, способна да изчисли почти всяка функция (т.е. всяка трансформация между вектори). Всъщност е възможно да се приложи функция в мрежата, която дори не може да бъде формулирана, достатъчно е просто да й дадем набор от примери, показващи какви входни и изходни лари бихме искали да имаме. Този процес, наречен „обучаване на мрежата“, се извършва чрез последователно избиране на теглата, присвоени на връзките, което продължава, докато мрежата започне да извършва желаните трансформации на входа, за да получи желания изход.

Въпреки че този мрежов модел значително опростява структурата на мозъка, той все пак илюстрира няколко важни аспекта. Първо, паралелната архитектура осигурява огромно предимство в производителността пред традиционния компютър, тъй като многото синапси на всяко ниво извършват много малки изчислителни операции едновременно, вместо да работят в много времеемък последователен режим. Това предимство става все по-значимо с нарастването на броя на невроните на всяко ниво. Изненадващо, скоростта на обработка на информацията изобщо не зависи от броя на елементите, участващи в процеса на всяко ниво, нито от сложността на функцията, която те изчисляват. Всяко ниво може да има четири елемента или сто милиона; синаптичната конфигурация на теглото може да изчислява прости едноцифрени суми или да решава диференциални уравнения от втори ред. Няма значение. Времето за изчисление ще бъде абсолютно същото.

второ,паралелният характер на системата я прави нечувствителна към малки грешки и й придава функционална стабилност; загубата на няколко връзки, дори забележим брой от тях, има незначителен ефект върху цялостния напредък на трансформацията, извършена от останалата част от мрежата.

на трето място,паралелна система съхранява голямо количество информация в разпределена форма, като същевременно осигурява достъп до всеки фрагмент от тази информация за време, измерено в няколко милисекунди. Информацията се съхранява под формата на определени конфигурации на теглата на отделните синаптични връзки, които са се формирали в процеса на предишно обучение. Желаната информация се "освобождава", когато входният вектор преминава през (и трансформира) тази конфигурация на връзката.

Паралелната обработка на данни не е идеална за всички видове изчисления. При решаване на задачи с малък входен вектор, но изискващи много милиони бързо повтарящи се рекурсивни изчисления, мозъкът се оказва напълно безпомощен, докато класическите MS машини демонстрират най-добрите си възможности. Това е много голям и важен клас компютри, така че класическите машини винаги ще бъдат необходими и дори необходими. Съществува обаче също толкова широк клас изчисления, за които архитектурата на мозъка е най-доброто техническо решение. Това са главно изчисленията, с които обикновено се сблъскват живите организми: разпознаване на контурите на хищник в "шумна" среда; мигновено припомняне на правилната реакция на погледа му, начина за бягство, когато се приближава или защитава, когато е нападнат; разграничаване на ядливи и неядливи неща, между сексуални партньори и други животни; избор на поведение в сложна и постоянно променяща се физическа или социална среда; и т.н.

И накрая, много е важно да се отбележи, че описаната паралелна система не манипулира символи според структурни правила. По-скоро манипулирането на символи е само едно от много други „интелигентни“ умения, които мрежата може или не може да научи. Манипулирането на управлявани от правила символи не е основният начин, по който мрежата функционира. Разсъжденията на Searle са насочени срещу управляваните от правила MC машини; Системите за векторна трансформация от типа, който описахме, следователно попадат извън обхвата на аргумента на неговата китайска стая, дори и да е валиден, което имаме други, независими причини да се съмняваме.

Searle е наясно с паралелните процесори, но според него те също ще бъдат лишени от реално семантично съдържание. За да илюстрира тяхната неизбежна малоценност в това отношение, той описва втори мисловен експеримент, този път с китайска фитнес зала, пълна с хора, организирани в паралелна мрежа. По-нататъшният ход на неговите разсъждения е подобен на разсъжденията в случая с китайската стая.

Според нас този втори пример не е толкова сполучлив и убедителен, колкото първия. Първо, фактът, че нито един елемент в системата не разбира китайски, не играе никаква роля, защото същото важи и за човешката нервна система: нито един неврон в моя мозък не разбира английски, въпреки че мозъкът като цяло разбира . Сърл продължава да казва, че неговият модел (един човек на неврон плюс едно бързокрако момче на синаптична връзка) ще изисква най-малко 1014 души, тъй като човешкият мозък съдържа 1011 неврона, всеки със средно 103 връзки. Следователно неговата система ще изисква населението на 10 000 светове като нашата Земя. Очевидно фитнесът далеч не може да побере повече или по-малко адекватен модел.

От друга страна, ако такава система все още може да бъде сглобена, в подходящия космически мащаб, с точно моделирани всички връзки, ще имаме огромен, бавен, странно проектиран, но все пак функциониращ мозък. В този случай, разбира се, естествено е да се очаква, че при правилно въвеждане той ще си помисли, а не обратното, че не е способен. Не може да се гарантира, че работата на такава система ще представлява реално мислене, тъй като теорията за векторната обработка може да не отразява адекватно работата на мозъка. Но по същия начин нямаме априори гаранция, че тя няма да мисли. Сърл отново погрешно отъждествява настоящите граници на собственото си (или на читателя) въображение с границите на обективната реалност.

мозък

Мозъкът е вид компютър, въпреки че повечето от неговите свойства все още са неизвестни. Далеч не е лесно мозъкът да се характеризира като компютър и подобен опит не трябва да се приема твърде леко. Мозъкът извършва изчислителни функции, но не по същия начин, както при приложните задачи, решавани от класическия изкуствен интелект. Когато говорим за машина като компютър, нямаме предвид последователен цифров компютър, който трябва да бъде програмиран и който има ясно разделение между софтуер и хардуер; нито имаме предвид, че този компютър манипулира символи или следва определени правила. Мозъкът е компютър от фундаментално различен вид.

Все още не е известно как мозъкът улавя семантичното съдържание на информацията, но е ясно, че този проблем далеч надхвърля лингвистиката и не се ограничава до хората като вид. Малко парче прясна земя означава както за човека, така и за койота, че някъде наблизо има гофер; ехо с определени спектрални характеристики показва наличието на молец на прилеп. За да развием теория за формирането на смисъл, трябва да знаем повече за това как невроните кодират и трансформират сензорни сигнали, невронната основа на паметта, ученето и емоцията и връзката между тези фактори и двигателната система. Една базирана на невронауката теория за разбиране на смисъла може дори да изисква нашите интуиции, които сега ни изглеждат толкова непоклатими и които Сърл използва толкова свободно в своите разсъждения. Такива ревизии не са необичайни в историята на науката.

Може ли науката да създаде изкуствен интелект, използвайки това, което е известно за нервната система? Не виждаме фундаментални пречки по този път. Твърди се, че Сърл е съгласен, но с уговорка: „Всяка друга система, способна да генерира интелект, трябва да има причинно-следствени свойства (поне) еквивалентни на съответните свойства на мозъка.“ В края на статията ще разгледаме това твърдение. Вярваме, че Searle не твърди, че една успешна AI система трябва непременно да притежава всички причинно-следствени свойства на мозъка, като способността да усеща миризма на гниене, способността да пренася вируси, способността да пожълтява под действието на пероксидаза от хрян и т.н. Изискването на пълно съответствие би било като да поискате от изкуствен самолет да може да снася яйца.

Вероятно е имал предвид само изискването един изкуствен ум да притежава всички причинно-следствени свойства, които, както той се изрази, принадлежат на съзнателния ум. Но кои точно? И тук отново се връщаме към спора кое принадлежи на съзнанието и кое не. Просто тук е мястото да спорим, но истината в случая трябва да се установи емпирично - опитайте и вижте какво ще стане. Тъй като знаем толкова малко за това какво точно представлява мисловният процес и семантиката, всякаква сигурност относно това кои свойства са уместни тук би била преждевременна. Сърл намеква няколко пъти, че всяко ниво, включително биохимията, трябва да бъде представено във всяка машина, която претендира, че е изкуствен интелект. Очевидно това е твърде силно изискване. Изкуственият мозък може да постигне същия ефект, без да използва биохимични механизми.

Тази възможност е демонстрирана в изследванията на К. Мийд в Калифорнийския технологичен институт. Мийд и колегите му използваха аналогови микроелектронни устройства, за да създадат изкуствена ретина и изкуствена кохлея. (При животните ретината и кохлеята не са само преобразуватели: има сложна паралелна обработка, протичаща и в двете системи.) Тези устройства вече не са прости модели в миникомпютър, на който Сърл се смее; те са реални елементи за обработка на информация, които реагират в реално време на реални сигнали: светлина в случая на ретината и звук в случая на кохлеята. Дизайнът на устройството се основава на известните анатомични и физиологични свойства на ретината на котката и кохлеята на бухала и тяхната продукция е изключително близка до познатите резултати на органите, които моделират.

Тези микросхеми не използват никакви невротрансмитери, следователно невротрансмитерите не изглеждат необходими за постигане на желаните резултати. Разбира се, не можем да кажем, че изкуствената ретина вижда нещо, тъй като нейната продукция не отива в изкуствения таламус или мозъчната кора и т.н. Все още не е известно дали е възможно да се изгради цял изкуствен мозък с помощта на програмата Mead, но при настояще Нямаме доказателства, че липсата на биохимични механизми в системата прави този подход нереалистичен.

Нервната система обхваща цяла гама от организации, от невротрансмитерните молекули (по-долу) до целия мозък и гръбначния мозък. Междинните нива съдържат отделни неврони и невронни вериги, като тези, които осъществяват селективността на възприемане на визуални стимули (в центъра), и системи, състоящи се от много вериги, подобни на тези, които обслужват функциите на речта (горе вдясно). Само чрез изследване може да се установи доколко една изкуствена система е в състояние да възпроизведе биологични системи, които имат разум.

Подобно на Сърл, ние отхвърляме теста на Тюринг като достатъчен критерий за наличието на съзнателен ум. На едно ниво имаме подобни причини да направим това: съгласни сме, че е много важно как се изпълнява функция, дефинирана от вход-изход; важно е в машината да протичат правилните процеси. На друго ниво ние се ръководим от съвсем други съображения. Сърл основава своята позиция относно наличието или отсъствието на семантично съдържание на интуиции на здравия разум. Нашата гледна точка се основава на специфичните неуспехи на класическите MS машини и специфичните предимства на машини, чиято архитектура е по-близка до структурата на мозъка. Сравнението на тези различни типове машини показва, че някои изчислителни стратегии имат огромно и решаващо предимство пред други по отношение на типичните умствени задачи. Тези предимства, установени емпирично, не предизвикват никакви съмнения. Очевидно мозъкът систематично се възползва от тези изчислителни предимства. Това обаче в никакъв случай не е непременно единствената физическа система, способна да се възползва от тях. Идеята за създаване на изкуствен интелект в небиологична, но по същество паралелна машина остава много примамлива и доста обещаваща.

Изкуственият интелект е научна област, която проектира машини, компютри и хардуер с интелект, вариращ от най-простия до хуманоидния. Въпреки че концепцията за интелигентни машини произхожда от древногръцката митология, съвременната история на изкуствения интелект започва с развитието на компютрите. Терминът е въведен през 1956 г. на първата конференция за изкуствен интелект.

Десетилетия по-късно учените продължават да изследват все още неуловимите проблясъци на машинния интелект, въпреки че въпросът "може ли една машина да мисли?" все още предизвиква най-широк дебат.

Заслужава да се отбележи, че противно на общоприетото схващане, не всички носители на изкуствен интелект са хуманоидни роботи или фантастични операционни системи с гласа на Скарлет Йохансон. Нека да преминем през основните умения, присъщи на AI.

Решение на проблеми

Едно от основните качества на AI е способността за решаване на проблеми. За да дадат на машината тази способност, учените са я оборудвали с алгоритми, които имитират човешкото мислене и използват концепциите за вероятност, икономика и статистика.

Подходите включват модели, вдъхновени от невронните мрежи в мозъка, силата на машинното обучение и разпознаването на модели и статистически подходи, които използват математически инструменти и езици за решаване на проблеми.

Машинно обучение

Друга основна точка на AI е способността на машината да се учи. Досега няма един единствен подход, чрез който компютърът може да бъде програмиран да получава информация, да придобива знания и да адаптира поведението съответно - по-скоро има редица подходи, базирани на алгоритми.

Един от важните методи за машинно обучение е така нареченото дълбоко обучение, AI метод, базиран на невронната теория и състоящ се от сложни слоеве от взаимосвързани възли. Докато Siri на Apple е един пример за дълбоко обучение в действие, Google наскоро придоби DeepMind, стартираща компания, която е специализирана в усъвършенствани алгоритми за обучение с ИИ; Netflix също инвестира в дълбоко обучение.

езикова обработка

Обработката на естествен език (NLP) дава на машината способността да чете и разбира човешкия език, което позволява комуникация човек-машина.

Такива системи позволяват на компютрите да превеждат и комуникират чрез обработка на сигнали, синтактичен анализ, семантичен анализ и прагматика (език в контекста).

Движение и възприятие

Типът интелигентност, свързан с движението и възприятието, е тясно свързан с роботиката, която дава на машината не само когнитивна, но и сензорна интелигентност. Това става възможно чрез въвеждане на навигация, технология за локализиране и сензори като камери, микрофони, сонари и разпознаване на обекти. През последните години вече видяхме тези технологии в много роботи, океански и космически роувъри.

социална интелигентност

Емоционалните и социалните умения представляват друго напреднало ниво на изкуствен интелект, което позволява на машината да придобие още повече човешки качества. SEMAINE, например, има за цел да даде на машините такива социални умения чрез това, което нарича SAL или „изкуствен сензорен слушател“. Това е усъвършенствана диалогова система, ако може да бъде завършена, тя ще може да възприема изражението на лицето, погледа и гласа на човек, като се коригира съответно.

Създаване

Способността да се мисли и действа креативно е отличителна човешка черта, която мнозина смятат за превъзхождаща способностите на компютрите. Въпреки това, като аспект на човешкия интелект, креативността може да се приложи и към изкуствения интелект.

Твърди се, че на машините може да се даде възможност да произвеждат ценни и иновативни идеи чрез три модела: комбиниран, изследователски и трансформационен. Как точно ще се реализира това – предстои да видим в бъдеще. В крайна сметка машината AARON вече произвежда произведения на изкуството от музеен клас.

Импровизацията като човешка дейност е „прототип на творческо поведение“, казва Шели Карсън, член на катедрата по психология в Харвардския университет. В книгата си Your Creative Brain тя пише, че на основно ниво всеки от нас импровизира, тъй като има много ситуации в живота, които го изискват. Например, на пътя трябва незабавно да вземете единственото правилно решение, за да избегнете сблъсък. В този случай човек се позовава на своя опит. Но творческата импровизация е нещо повече, тя генерира нови неочаквани идеи.

Картината на Аарон

робот ААРОН, създаден от известния художник Горалд Коен. Неговото изобретение, на най-ниското си ниво, изчислява алгоритми за създаване на линии и форми, от които се правят рисунки. По-късно, по-напреднал робот художник на име Екшън Джаксънкойто рисува картини, подобни на творбите на Джаксън Полок. И въпреки че дебатът за художествената стойност на подобни произведения не стихва досега, остава фактът, че роботите могат да творят.

Освен това някои съвременни форми на изкуствен интелект, изглежда, могат да постигнат голям успех. Например Siri за iPhone не само обработва естествената човешка реч, но и се адаптира към всеки потребител поотделно, изучавайки неговия характер и навици; и суперкомпютърът "Watson" на IBM спечели милион долара в "Неговата игра". Дали такива перфектни машини не биха могли да се справят с импровизация?