Da bi se poboljšali životi ljudi, umjetna inteligencija prije svega mora biti usmjerena na čovjeka. Kao što objašnjava glavni naučnik Google Cloud Fei-Fei Li, u praksi, to znači poboljšanje komunikacijskih i kolaborativnih vještina uz diverzifikaciju timova koji razvijaju ove tehnologije.

Vještačka inteligencija danas

Jedna od najvećih kompanija za umjetnu inteligenciju (AI) je Google, kompanija koju mnogi povezuju s popularnim pretraživačem. Tokom godina, njegovi stručnjaci su razvijali AI, što se može vidjeti u nekim od trenutnih proizvoda. Na primjer, Google Assistant, koji je objavljen na Android pametnim telefonima u februaru; osim toga, AI također pomaže gore pomenutom pretraživaču da radi svoj posao; konačno, Google Home pametni zvučnik je opremljen AI sistemom. Trenutno AI izgleda kao učenik prvog razreda, ali na duge staze mogao bi doći do tačke u kojoj postaje pametniji od prosječne osobe koja s njom komunicira.

Međutim, da bi se postigao ovaj cilj, sama AI će prvo morati da postane više nalik čoveku. Barem tako misli Fei-Fei Li, glavni naučnik u Google Cloud-u i direktor Stenfordske laboratorije za umjetnu inteligenciju i vid. Prema njenom mišljenju, na ovaj način će nam AI pomoći da poboljšamo svakodnevni život i pružimo psihološki komfor u komunikaciji s njom.

U intervjuu za MIT Technology Review, Li je objasnio da je razmišljanje o uticaju veštačke inteligencije na svet oko nas kritičan deo analitičkog procesa i da je rad sa veštačkom inteligencijom jasno pokazao da budući razvoj treba da bude više usmeren na čoveka. .

Razvoj mašinske inteligencije

“Ako procijenimo koji je nivo AI tehnologija dostigla u ovom trenutku, onda će po mom mišljenju najupečatljiviji marker biti odlično prepoznavanje uzoraka. Moderna AI je previše fokusirana na , nedostaje joj kontekstualna svijest i fleksibilno učenje svojstveno ljudima. Takođe želimo da napravimo tehnologiju koja čini živote ljudi boljim, bezbednijim, produktivnijim i boljim na poslu — a to zahteva veoma visok nivo interakcije čoveka i mašine“, kaže Li.

Već možemo vidjeti prve znakove takvog trenda, iako njegov potencijal tek treba biti otkriven. Na primjer, u julu je Google DeepMind pokazao umjetnu inteligenciju koja ima „maštu“ i sposobna je analizirati informacije i planirati akcije bez ljudske intervencije. Kompanija je saopštila da je njena ideja "na ivici" da bude u stanju da savršeno imitira ljudski govor. Druga Google tehnologija, Google Clips, može samostalno da slika, eliminišući potrebu da osoba pogodi „savršen trenutak“ za fotografisanje. Ovo se dobro uklapa u Leejevu viziju, ali također naglašava potrebu za daljim radom na samopouzdanju AI.

AI kao idealan čovjek budućnosti

Kako Lee uvjerava, jednostavna nadogradnja umjetne inteligencije i dodavanje novih funkcija joj neće biti dovoljni. Što je jača veza između mašine i osobe, to je veći rizik da nemoralni delovi društva mogu uticati na veštačku inteligenciju, pa je, pre svega, ovde potreban kreativan pristup i kolektivni rad mnogih stručnjaka.

“Kada kreirate tehnologiju koja je široko rasprostranjena i igra ključnu ulogu za čovječanstvo, tada, naravno, morate biti sigurni da ona nosi vrijednosti svojstvene svim ljudima i služi potrebama cjelokupnog stanovništva Zemlje. . Ako programeri ulože sve napore da osiguraju da program bude podjednako koristan za sve bez izuzetka, to će zaista omogućiti revoluciju u sistemima umjetne inteligencije.

Naravno, umjetna inteligencija je naša ulaznica u budućnost. Ali, budući da je samo oruđe u rukama osobe, može se koristiti i u dobre i u sebične, ponekad čak i nezakonite svrhe. Ako je ovoj tehnologiji suđeno da promijeni svijet, nadajmo se da će naučnici napraviti pravi izbor.

Algoritamska umjetna inteligencija strojno razumijevanje prirodnog jezika, tj. sistema pitanja i odgovora i pristup bazama podataka prirodnog jezika, prevođenje s jednog jezika na drugi, prepoznavanje obrazaca, analiza slike 3-dimenzionalnih scena, logistički sistemi predstavljanja znanja i logičko zaključivanje, heurističko programiranje , dokazivanje teorema, odlučivanje, igre, baze podataka, baze znanja, roboti, ekspertni sistemi

Preliminarna definicija mišljenja Mozak je nastao i evoluirao kako bi osigurao postojanje životinja, odnosno za preživljavanje. Moguća je jednostavna funkcionalna definicija mišljenja, zasnovana na ideji čemu služi razmišljanje (ljudskom ili životinjskom). Razmišljanje je aktivan proces u živom mozgu koji ima za cilj: 1. izgradnju u mozgu aktivnog hijerarhijskog modela okoline, neophodnog i dovoljnog za percepciju okoline i kontrolu aktivnog svrsishodnog ponašanja u multi-ekstremnom okruženju; 2. implementacija procesa percepcije okoline; 3. implementacija procesa kontrole ponašanja u multi-ekstremnom okruženju; 4. sprovođenje procesa učenja; 5. rješavanje nealgoritamskih (kreativnih) problema.

Čovjek nije ni sumnjao u nedostatak mozga, a to ga nije spriječilo da vodi punopravni intelektualni život. Muškarac star 44 godine, načelnik opštinske uprave. Koeficijent opšte inteligencije - IQ - je 75, verbalni - 84, neverbalni - 70. To zaista nisu velike vrednosti, ali su generalno iznad donje granice norme, koja se obično poklapa sa vrednošću od 70 .

U svakom od nas postoji zmaj. Organizacijski, ljudski mozak, kao i sve više životinje, može se uvjetno podijeliti na tri funkcionalne strukture: mozak reptila, mozak stabla (uključujući kičmenu moždinu) i neokorteks. Ponašanje, uključujući i intelektualno ponašanje, određeno je integralnim, ujedinjenim radom svih ovih struktura. Sve što smo naslijedili od reptila ljudsko je koliko i zadovoljenje viših duhovnih potreba. Mnoga visoko "duhovna" učenja su u suštini oblik reptilskog ponašanja. Ubiti "Zmaja", prema metafori E. Schwartza, nije moguće. Sa "Zmajem" možete se samo složiti.

Malo je vjerovatno da će klasična umjetna inteligencija biti oličena u mašinama za razmišljanje; granica ljudske domišljatosti u ovoj oblasti, po svemu sudeći, biće ograničena na stvaranje sistema koji oponašaju rad mozga.

Nauka o umjetnoj inteligenciji (AI) prolazi kroz revoluciju. Da bismo objasnili njegove uzroke i značenje i stavili ga u perspektivu, prvo se moramo okrenuti istoriji.

Početkom 1950-ih, tradicionalno, pomalo nejasno pitanje može li mašina misliti ustupilo je mjesto pristupačnijem pitanju da li mašina koja je manipulirala fizičkim simbolima prema pravilima zasnovanim na strukturi može misliti. Ovo pitanje je formulisano preciznije jer su formalna logika i teorija računanja značajno napredovale u prethodnih pola veka. Teoretičari su počeli cijeniti mogućnosti apstraktnih sistema simbola koji prolaze kroz transformacije u skladu s određenim pravilima. Činilo se da ako se ovi sistemi mogu automatizovati, onda bi se njihova apstraktna računarska moć manifestovala u stvarnom fizičkom sistemu. Takvi stavovi su doprinijeli rađanju dobro definiranog istraživačkog programa na prilično dubokoj teorijskoj osnovi.

Može li mašina misliti?

Bilo je mnogo razloga za odgovor da. Istorijski, jedan od prvih i najdubljih uzroka bila su dva važna rezultata teorije računanja. Prvi rezultat bila je Churchova teza da je svaka efektivno izračunljiva funkcija rekurzivno izračunljiva. Termin "efikasno izračunljiv" znači da postoji neka vrsta "mehaničke" procedure kojom je moguće izračunati rezultat u konačnom vremenu s obzirom na ulazne podatke. "Rekurzivno izračunljiv" znači da postoji konačan skup operacija koje se mogu primijeniti na dati ulaz, a zatim uzastopno i više puta primijeniti na novodobivene rezultate kako bi se funkcija izračunala u konačnom vremenu. Koncept mehaničkog postupka nije formalan, već intuitivan, te stoga Churchova teza nema formalni dokaz. Međutim, dolazi do srži onoga što je računanje, a mnoštvo različitih dokaza konvergira u prilog tome.

Drugi važan rezultat dobio je Alan M. Turing, koji je pokazao da se svaka rekurzivno izračunljiva funkcija može izračunati u konačnom vremenu koristeći maksimalno pojednostavljenu mašinu za manipulaciju simbolima, koja je kasnije nazvana univerzalna Turingova mašina. Ovom mašinom upravljaju rekurzivno primjenjiva pravila osjetljiva na identitet, red i lokaciju elementarnih simbola koji djeluju kao ulaz.

Iz ova dva rezultata slijedi vrlo važan zaključak, a to je da standardni digitalni računar, koji ima ispravan program, dovoljno veliku memoriju i dovoljno vremena, može izračunati bilo koju funkciju vođenu pravilima sa ulazom i izlazom. Drugim riječima, on može demonstrirati bilo koji sistematski skup odgovora na proizvoljne utjecaje iz vanjskog okruženja.

Konkretizirajmo ovo na sljedeći način: rezultati o kojima se raspravljalo znače da pravilno programirana mašina koja manipuliše simbolima (u daljem tekstu MC mašina) mora zadovoljiti Tjuringov test za prisustvo svjesnog uma. Turingov test je samo test ponašanja, ali su njegovi zahtjevi vrlo jaki. (Koliko je validan ovaj test, diskutovaćemo u nastavku, gde ćemo se susresti sa drugim, fundamentalno drugačijim „testom“ za prisustvo svjesnog uma.) Prema originalnoj verziji Tjuringovog testa, ulaz u MS mašinu bi trebao biti pitanja i fraze na prirodnom kolokvijalnom jeziku, koje ukucavamo na tastaturi ulaznog uređaja, a na izlazu su odgovori MS mašine ispisani od strane izlaznog uređaja. Smatra se da je mašina prošla ovaj test za prisustvo svjesnog uma ako se njeni odgovori ne mogu razlikovati od onih koje je otkucala stvarna, inteligentna osoba. Naravno, trenutno niko ne zna funkciju pomoću koje bi bilo moguće dobiti rezultat koji se ne razlikuje od ponašanja racionalne osobe. Ali rezultati Churcha i Turinga nam jamče da kakva god da je ova (vjerovatno efikasna) funkcija, prikladno dizajnirana MS mašina može je izračunati.

Ovo je vrlo važan zaključak, posebno ako se uzme u obzir da je Turingov opis interakcije sa mašinom pomoću pisaće mašine beznačajno ograničenje. Isti zaključak vrijedi čak i ako MC-mašina stupa u interakciju sa svijetom na složenije načine: putem aparata direktnog vida, prirodnog govora, itd. Na kraju, složenija rekurzivna funkcija i dalje ostaje Turingovo izračunava. Ostaje samo jedan problem: pronaći onu nesumnjivo složenu funkciju koja kontrolira odgovore osobe na utjecaje iz vanjskog okruženja, a zatim napisati program (skup rekurzivno primjenjivih pravila) s kojim će MS mašina izračunati ovu funkciju. Ovi ciljevi su činili osnovu naučnog programa klasične veštačke inteligencije.

Prvi rezultati su bili ohrabrujući

MC mašine sa genijalno programiranim programima demonstrirali su čitav niz radnji koje kao da pripadaju manifestacijama uma. Odgovarali su na složene naredbe, rješavali teške aritmetičke, algebarske i taktičke probleme, igrali dame i šah, dokazivali teoreme i održavali jednostavan dijalog. Rezultati su nastavili da se poboljšavaju pojavom većih uređaja za skladištenje podataka, bržih mašina i razvojem moćnijih i sofisticiranijih programa. Klasična ili "programirana" AI bila je vrlo živo i uspješno polje nauke sa skoro svih tačaka gledišta. Ponavljano poricanje da bi MC mašine na kraju mogle da misle izgledalo je kao pristrasno i neinformisano. Dokazi u prilog pozitivnog odgovora na pitanje postavljeno u naslovu članka djelovali su više nego uvjerljivo.

Naravno, bilo je i nejasnoća. Prije svega, MS mašine nisu mnogo ličile na ljudski mozak. Međutim, i ovdje je klasična AI imala spreman uvjerljiv odgovor. Prvo, fizički materijal od kojeg je napravljena MS mašina u suštini nema nikakve veze sa funkcijom koju izračunava. Ovo poslednje je uključeno u program. Drugo, tehnički detalji funkcionalne arhitekture mašine su takođe irelevantni, jer potpuno različite arhitekture, dizajnirane za rad sa potpuno različitim programima, ipak mogu obavljati istu ulazno-izlaznu funkciju.

Stoga je cilj AI bio pronaći funkciju koja je karakteristična za um u smislu unosa i izlaza, kao i kreiranje najefikasnijeg od mnogih mogućih programa za izračunavanje ove funkcije. Istovremeno, rečeno je da nije bitan specifičan način na koji ljudski mozak izračunava funkciju. Ovim se završava opis suštine klasične AI i osnova za pozitivan odgovor na pitanje postavljeno u naslovu članka.

Može li mašina misliti? Bilo je i nekoliko argumenata u korist negativnog odgovora. Tokom 1960-ih, negativni argumenti vrijedni pažnje bili su relativno rijetki. Ponekad se postavlja prigovor da mišljenje nije fizički proces i da se odvija u nematerijalnoj duši. Međutim, takav dualistički pogled nije djelovao dovoljno uvjerljivo ni s evolucijske ni sa logičke tačke gledišta. Nije imao odvraćajući efekat na istraživanje AI.

Razmatranja drugačije prirode privukla su mnogo više pažnje stručnjaka za umjetnu inteligenciju. Hubert L. Dreyfus je 1972. godine objavio knjigu koja je bila veoma kritična prema paradnim prikazima inteligencije u sistemima veštačke inteligencije. Istakao je da ovi sistemi nisu adekvatno modelirali istinsko razmišljanje i otkrili obrazac svojstven svim ovim neuspjelim pokušajima. Prema njegovom mišljenju, modelima je nedostajala ona ogromna zaliha neformalizovanog opšteg znanja o svetu koje svaka osoba ima, kao i sposobnost inherentna zdravom razumu da se oslanja na određene komponente tog znanja, u zavisnosti od zahteva okruženja koje se menja. . Drajfus nije poricao fundamentalnu mogućnost stvaranja veštačkog fizičkog sistema sposobnog za razmišljanje, ali je bio veoma kritičan prema ideji da se to može postići samo manipulacijom simbola sa rekurzivno primenjenim pravilima.

U krugovima stručnjaka za umjetnu inteligenciju, kao i filozofa rasuđivanja Dreyfus percipirani su uglavnom kao kratkovidi i pristrani, na osnovu neizbježnih pojednostavljenja svojstvenih ovom još vrlo mladom polju istraživanja. Možda su se ti nedostaci zaista dogodili, ali su, naravno, bili privremeni. Doći će vrijeme kada će snažnije mašine i bolji programi omogućiti da se riješite ovih nedostataka. Činilo se da vrijeme radi za umjetnu inteligenciju. Dakle, ove primjedbe nisu imale primjetan uticaj na dalja istraživanja u oblasti AI.

Međutim, pokazalo se da vrijeme radi Dreyfus: u kasnim 70-im - ranim 80-im, povećanje brzine i memorije kompjutera nije mnogo povećalo njihove "mentalne sposobnosti". Ispostavilo se, na primjer, da prepoznavanje obrazaca u sistemima strojnog vida zahtijeva neočekivano veliku količinu proračuna. Da bi se dobili praktički pouzdani rezultati, trebalo je trošiti sve više i više vremena na računar, što je daleko nadmašilo vrijeme potrebno za obavljanje istih zadataka za sistem biološkog vida. Tako spor proces simulacije bio je alarmantan: na kraju krajeva, u kompjuteru se signali šire oko milion puta brže nego u mozgu, a frekvencija sata centralne procesorske jedinice računara je otprilike isto puta veća od frekvencije bilo koje pronađene oscilacije. u mozgu. Pa ipak, na realističnim zadacima, kornjača lako prestiže zeca.

Osim toga, za rješavanje realnih problema potrebno je da kompjuterski program ima pristup izuzetno velikoj bazi podataka. Izgradnja takve baze podataka već je sama po sebi prilično težak problem, ali ga pogoršava još jedna okolnost: kako omogućiti pristup određenim, kontekstualno zavisnim fragmentima ove baze podataka u realnom vremenu. Kako su baze podataka postajale sve veće i veće, problem pristupa je postajao sve komplikovaniji. Iscrpna pretraga je trajala predugo, a heurističke metode nisu uvijek bile uspješne. Strahove slične onima koje je izrazio Drajfus počeli su da dele čak i neki stručnjaci koji rade na polju veštačke inteligencije.

Otprilike u to vrijeme (1980.), John Searle je predstavio revolucionarni kritički koncept koji je doveo u pitanje vrlo temeljnu pretpostavku klasičnog AI istraživačkog programa, naime, ideju da ispravna manipulacija strukturiranim simbolima rekurzivnom primjenom pravila koja uzimaju u obzir njihovu strukturu , može činiti suštinu svjesnog uma.

Searleov glavni argument bio je zasnovan na misaonom eksperimentu u kojem demonstrira dvije vrlo važne činjenice. Prvo, on opisuje MC mašinu koja (kao što treba da razumemo) implementira funkciju koja je na ulazu i izlazu sposobna da prođe Turingov test u obliku razgovora koji se odvija isključivo na kineskom. Drugo, unutrašnja struktura mašine je takva da bez obzira kakvo ponašanje pokazuje, za posmatrača nema sumnje da ni mašina u celini, niti bilo koji njen deo, ne razume kineski jezik. Sve što sadrži je osoba koja govori samo engleski, poštujući pravila napisana u uputstvu, uz pomoć kojih treba manipulisati likovima pri ulasku i izlasku kroz poštansko sanduče na vratima. Ukratko, sistem pozitivno zadovoljava Tjuringov test, uprkos činjenici da nema istinsko razumevanje kineskog jezika i stvarnog semantičkog sadržaja poruka (videti članak J. Searlea „Um mozga – kompjuterski program? ").

Opći zaključak iz ovoga je da će svaki sistem koji jednostavno manipulira fizičkim simbolima prema strukturno osjetljivim pravilima u najboljem slučaju biti patetična parodija stvarnog svjesnog uma, budući da je nemoguće generirati "pravu semantiku" jednostavnim okretanjem gumba " prazna sintaksa". Ovdje treba napomenuti da Searle ne postavlja bihejvioralni (nebihevioralni) test za prisustvo svijesti: elementi svjesnog uma moraju imati pravi semantički sadržaj.

Postoji iskušenje da se Serlu zameri što njegov misaoni eksperiment nije adekvatan, jer će sistem koji on predlaže, delujući kao „Rubikova kocka“, raditi apsurdno sporo. Međutim, Searle insistira da brzina ne igra nikakvu ulogu u ovom slučaju. Onaj ko misli polako, ipak misli ispravno. Sve što je potrebno za reprodukciju mišljenja, prema konceptu klasične AI, po njegovom mišljenju, nalazi se u "kineskoj sobi".

Searleov članak izazvao je entuzijastične odgovore stručnjaka za umjetnu inteligenciju, psihologa i filozofa. U cjelini, međutim, naišla je na još više neprijateljstva od Drajfusove knjige. U svom članku, koji je istovremeno objavljen u ovom broju časopisa, Searle iznosi niz kritičkih argumenata protiv svog koncepta. Po našem mišljenju, mnogi od njih su legitimni, posebno oni čiji autori pohlepno „hvataju mamac“, tvrdeći da iako je sistem koji se sastoji od sobe i njenog sadržaja užasno spor, ipak razumije kineski.

Sviđaju nam se ovi odgovori, ali ne zato što mislimo da kineska soba razumije kineski. Slažemo se sa Serlom da ga ona ne razumije. Privlačnost ovih argumenata je u tome što oni odražavaju neuspjeh u prihvaćanju najvažnijeg trećeg aksioma u Searleovom argumentu: "Sintaksa sama po sebi ne čini semantiku i nije dovoljna za postojanje semantike." Ovaj aksiom je možda istinit, ali Searle ne može opravdano tvrditi da on to sigurno zna. Štaviše, sugerirati da je to istina znači postaviti pitanje da li je program klasičnog istraživanja umjetne inteligencije dobar, budući da se ovaj program temelji na vrlo zanimljivoj pretpostavci da ako možemo samo pokrenuti primjereno strukturiran proces, neka vrsta unutrašnji ples sintaksičkih elemenata, pravilno povezanih sa ulazima i izlazima, onda možemo dobiti ista stanja i manifestacije uma koje su inherentne čovjeku.

Da Searleov treći aksiom zaista postavlja ovo pitanje postaje očigledno kada ga direktno uporedimo sa njegovim prvim zaključkom: "Programi se pojavljuju kao suština uma i njihovo prisustvo nije dovoljno za prisustvo uma." Nije teško vidjeti da njegov treći aksiom već nosi 90% gotovo identičnog zaključka. To je razlog zašto je Searleov misaoni eksperiment posebno osmišljen da podrži treći aksiom. Ovo je cela poenta kineske sobe.

Iako primjer kineske sobe čini aksiom 3 privlačnim za neupućene, ne mislimo da on dokazuje valjanost ovog aksioma, te da bismo demonstrirali neuspjeh ovog primjera, nudimo naš paralelni primjer kao ilustraciju. Često je samo jedan dobar primjer koji pobija spornu tvrdnju mnogo bolji u razjašnjavanju situacije od cijele knjige pune logičkog žongliranja.

Bilo je mnogo primera skepticizma u istoriji nauke, kao što vidimo u Serlovom rezonovanju. U XVIII vijeku. Irski biskup George Berkeley smatrao je nezamislivim da valovi kompresije u zraku sami po sebi mogu biti suština zvučnih pojava ili dovoljan faktor za njihovo postojanje. Engleski pjesnik i slikar William Blake i njemački prirodnjak Johann Goethe smatrali su nezamislivim da male čestice materije same po sebi mogu biti entitet ili faktor dovoljan za objektivno postojanje svjetlosti. Čak iu ovom veku bilo je ljudi koji nisu mogli da zamisle da neživa materija sama po sebi, bez obzira koliko složena njena organizacija, može biti organski entitet ili dovoljan uslov za život. Jasno je da ono što ljudi mogu ili ne zamišljaju često nema nikakve veze sa onim što stvarno postoji ili ne postoji u stvarnosti. Ovo važi čak i kada su u pitanju ljudi sa veoma visokim nivoom inteligencije.

Da vidimo kako se ove istorijske lekcije mogu primijeniti na Searleovo rezonovanje, hajde da primijenimo umjetnu paralelu na njegovu logiku i tu paralelu učvrstimo misaonim eksperimentom.

Aksiom 1. Elektricitet i magnetizam su fizičke sile.

Aksiom 2. Bitno svojstvo svjetlosti je luminoznost.

Aksiom 3. Same sile se pojavljuju kao suština efekta sjaja i nisu dovoljne za njegovo prisustvo.

Zaključak 1. Elektricitet i magnetizam nisu esencija svjetlosti i nisu dovoljni za njeno postojanje.

Pretpostavimo da je ovo obrazloženje objavljeno ubrzo nakon toga James K. Maxwell 1864. sugerisao da su svetlost i elektromagnetni talasi identični, ali pre nego što su sistematske paralele između svojstava svetlosti i svojstava elektromagnetnih talasa u potpunosti ostvarene u svetu. Gore navedeno logično razmišljanje može izgledati kao uvjerljiv prigovor Maxwellovoj hrabroj hipotezi, posebno ako je popraćeno sljedećim komentarom u prilog Aksiomu 3.

Zamislite mračnu prostoriju u kojoj se nalazi osoba koja u rukama drži trajni magnet ili nabijeni predmet. Ako osoba počne pomicati magnet gore-dolje, tada će, prema Maxwellovoj teoriji umjetnog osvjetljenja (AI), iz magneta emanirati sfera elektromagnetnih valova koja se širi i soba će postati svjetlija. Ali, kao što su svi koji su pokušali da se igraju magnetima ili naelektrisanim kuglicama dobro svjesni, njihove sile (i u tom slučaju bilo koje druge sile), čak i kada su ti objekti u pokretu, ne stvaraju nikakav sjaj. Stoga se čini nezamislivim da bismo jednostavno manipuliranjem silama mogli postići pravi sjajni efekat!

Fluktuacije u elektromagnetnim silama su lagane, iako magnet koji osoba pokreće ne proizvodi nikakav sjaj. Slično, manipulacija simbolima prema određenim pravilima može predstavljati inteligenciju, iako se čini da sistem zasnovan na pravilima koji se nalazi u Searleovoj kineskoj sobi izgleda nema pravo razumijevanje.

Na šta bi Maksvel mogao da odgovori ako bi mu ovaj izazov bio bačen?

Prvo, možda je insistirao da nas eksperiment "svetleće sobe" dovodi u zabludu o svojstvima vidljive svetlosti, jer je frekvencija vibracije magneta izuzetno niska, oko 1015 puta manja nego što je potrebno. Nakon toga može uslijediti nestrpljiv odgovor da frekvencija ovdje ne igra nikakvu ulogu, da prostorija s oscilirajućim magnetom već sadrži sve što je potrebno za ispoljavanje efekta sjaja u potpunom skladu sa teorijom samog Maxwella.

Zauzvrat Maxwell mogao "uhvatiti mamac" tvrdeći sasvim opravdano da je prostorija već puna sjaja, ali priroda i snaga ove luminiscencije je takva da je čovjek ne može vidjeti. (Zbog niske frekvencije kojom osoba pomiče magnet, dužina generisanih elektromagnetnih talasa je prevelika, a intenzitet prenizak da bi ljudsko oko na njih reagovalo.) Međutim, s obzirom na nivo razumevanja ovih fenomena. u razmatranom vremenskom periodu (60-te godine prošlog veka) ovakvo objašnjenje bi verovatno izazvalo smeh i podrugljive opaske. Glowing room! Ali izvinite, gospodine Maksvel, unutra je potpuni mrak!”

Tako da vidimo da su siromašni Maxwell mora biti teško. Sve što može da uradi jeste da insistira na sledeće tri tačke. Prvo, aksiom 3 u gornjem rezonovanju nije tačan. Zaista, uprkos činjenici da se intuitivno čini prilično uvjerljivim, mi nehotice postavljamo pitanje o tome. Drugo, eksperiment užarene sobe nam ne pokazuje ništa zanimljivo o fizičkoj prirodi svjetlosti. I treće, da bismo zaista riješili problem svjetlosti i mogućnosti umjetne svjetlosti, potreban nam je istraživački program koji će nam omogućiti da ustanovimo da li je, pod odgovarajućim uvjetima, ponašanje elektromagnetnih valova potpuno identično ponašanju svjetlosti. Isti odgovor bi klasična umjetna inteligencija trebala dati na Searleovo rezonovanje. Iako Searleova kineska soba može izgledati "semantički mračna", on nema mnogo razloga da insistira na tome da manipulacija simbolima, urađena prema određenim pravilima, nikada ne može proizvesti semantičke pojave, pogotovo zato što su ljudi još uvijek loše informisani i ograničeni samo razumijevanjem jezik, nivo zdravog razuma onih semantičkih i mentalnih pojava koje treba objasniti. Umjesto da iskoristi razumijevanje ovih stvari, Searle u svom rasuđivanju slobodno koristi nedostatak takvog razumijevanja kod ljudi.

Nakon što smo iznijeli naše kritike Serlovom rezonovanju, vratimo se pitanju da li klasični AI program ima stvarnu šansu da riješi problem svjesnog uma i stvori mašinu za razmišljanje. Vjerujemo da izgledi ovdje nisu sjajni, ali naše mišljenje je zasnovano na razlozima koji su fundamentalno drugačiji od onih koje koristi Searle. Gradimo se na specifičnim neuspjesima klasičnog istraživačkog programa AI i na nizu lekcija koje nam je biološki mozak naučio kroz novu klasu računarskih modela koji utjelovljuju neka svojstva njegove strukture. Već smo spomenuli neuspjehe klasične umjetne inteligencije u rješavanju onih problema koje mozak brzo i efikasno rješava. Naučnici postepeno dolaze do konsenzusa da su ovi kvarovi posledica svojstava funkcionalne arhitekture MS mašina, koje su jednostavno neprikladne za rešavanje složenih zadataka koji su pred njima.

Ono što treba da znamo je kako mozak postiže misaoni efekat? Obrnuti inženjering je široko rasprostranjena tehnika u inženjeringu. Kada nova tehnologija izađe na tržište, konkurenti shvate kako funkcionira tako što je rastavljaju i pokušavaju pogoditi princip na kojem se zasniva. U slučaju mozga, ovaj pristup je izuzetno težak za implementaciju, jer je mozak najkompleksnija stvar na planeti. Ipak, neurofiziolozi su uspjeli otkriti mnoga svojstva mozga na različitim strukturnim nivoima. Tri anatomske karakteristike ga suštinski razlikuju od arhitekture tradicionalnih elektronskih računara.

Prvo nervni sistem je paralelna mašina, u smislu da se signali obrađuju istovremeno na milione različitih načina. Na primjer, mrežnica oka prenosi složeni ulazni signal u mozak ne u grupama od 8, 16 ili 32 elementa, kao stoni računar, već u obliku signala koji se sastoji od gotovo milion pojedinačnih elemenata koji istovremeno stižu do kraj optičkog živca (lateralno koljeno tijelo), nakon čega ih također istovremeno, u jednom koraku, obrađuje mozak. Drugo, elementarni "uređaj za obradu" mozga, neuron, relativno je jednostavan. Također, njegov odgovor na ulazni signal je analogni, a ne digitalni, u smislu da se frekvencija izlaznog signala kontinuirano mijenja sa ulaznim signalima.

treće, u mozgu, pored aksona koji vode od jedne grupe neurona do druge, često nalazimo aksone koji vode u suprotnom smjeru. Ovi povratni procesi omogućavaju mozgu da modulira način na koji se senzorne informacije obrađuju. Još važnija je činjenica da je mozak, zbog svog postojanja, istinski dinamičan sistem, u kojem se kontinuirano održavano ponašanje odlikuje i vrlo visokom složenošću i relativnom neovisnošću od perifernih podražaja. Pojednostavljeni mrežni modeli odigrali su korisnu ulogu u proučavanju mehanizama rada realnih neuronskih mreža i računskih svojstava paralelnih arhitektura. Razmotrimo, na primjer, troslojni model koji se sastoji od elemenata sličnih neuronima koji imaju veze poput aksona sa elementima sljedećeg nivoa. Ulazni stimulus dostiže prag aktivacije datog ulaznog elementa, koji šalje signal proporcionalne snage duž svog "aksona" do brojnih "sinaptičkih" završetaka elemenata skrivenog sloja. Ukupni efekat je da određeni obrazac aktivirajućih signala na skupu ulaznih elemenata generiše određeni obrazac signala na skupu skrivenih elemenata.

Isto se može reći i za izlazne elemente. Slično tome, konfiguracija aktivirajućih signala na preseku skrivenog sloja dovodi do određenog obrasca aktivacije na preseku izlaznih elemenata. Sumirajući, možemo reći da je razmatrana mreža uređaj za pretvaranje bilo kojeg velikog broja mogućih ulaznih vektora (konfiguracija aktivirajućih signala) u jedinstveno odgovarajući izlazni vektor. Ovaj uređaj je dizajniran za izračunavanje određene funkcije. Koju funkciju procjenjuje ovisi o globalnoj konfiguraciji strukture sinaptičke težine.

Neuronske mreže modeliraju glavno svojstvo mikrostrukture mozga. U ovoj troslojnoj mreži, ulazni neuroni (dolje lijevo) obrađuju obrazac aktiviranja signala (dolje desno) i prolaze ih kroz ponderisane veze do skrivenog sloja. Elementi skrivenog sloja sumiraju svoje višestruke ulaze kako bi formirali novu konfiguraciju signala. Prebacuje se na vanjski sloj, koji vrši daljnje transformacije. Općenito, mreža će transformirati bilo koji ulazni skup signala u odgovarajući izlaz, ovisno o lokaciji i relativnoj jačini veza između neurona.

Postoje različite procedure za prilagođavanje težina, zahvaljujući kojima se može napraviti mreža sposobna za računanje gotovo bilo koje funkcije (tj. bilo koju transformaciju između vektora). Zapravo, u mreži je moguće implementirati funkciju koja se ne može ni formulisati, dovoljno je samo dati niz primjera koji pokazuju koje ulazne i izlazne lare želimo imati. Ovaj proces, nazvan "učenje mreže", izvodi se uzastopnim odabirom težina dodijeljenih vezama, koji se nastavlja sve dok mreža ne počne izvoditi željene transformacije na ulazu kako bi se dobio željeni izlaz.

Iako ovaj mrežni model uvelike pojednostavljuje strukturu mozga, on ipak ilustruje nekoliko važnih aspekata. Prvo, paralelna arhitektura pruža ogromnu prednost u performansama u odnosu na tradicionalni računar, budući da mnoge sinapse na svakom nivou istovremeno obavljaju mnogo malih računarskih operacija, umesto da rade u sekvencijalnom režimu koji oduzima mnogo vremena. Ova prednost postaje sve značajnija kako se broj neurona na svakom nivou povećava. Iznenađujuće, brzina obrade informacija uopće ne ovisi o broju elemenata uključenih u proces na svakom nivou, niti o složenosti funkcije koju oni izračunavaju. Svaki nivo može imati četiri elementa, ili sto miliona; sinaptička konfiguracija težine može izračunati jednostavne jednocifrene sume ili riješiti diferencijalne jednadžbe drugog reda. Nije bitno. Vrijeme računanja će biti potpuno isto.

drugo, paralelna priroda sistema čini ga neosetljivim na male greške i daje mu funkcionalnu stabilnost; gubitak nekoliko linkova, čak i njihovog značajnog broja, ima zanemarljiv uticaj na ukupan napredak transformacije koju obavlja ostatak mreže.

treće, paralelni sistem skladišti veliku količinu informacija u distribuiranom obliku, istovremeno omogućavajući pristup bilo kojem fragmentu ove informacije u vremenu mjerenom u nekoliko milisekundi. Informacije se pohranjuju u obliku određenih konfiguracija težina pojedinačnih sinaptičkih veza koje su nastale u procesu prethodnog učenja. Željene informacije se "otpuštaju" kako ulazni vektor prolazi (i transformiše) ovu konfiguraciju veze.

Paralelna obrada podataka nije idealna za sve vrste računarstva. Prilikom rješavanja problema s malim ulaznim vektorom, ali koji zahtijevaju milione brzo rekurzivnih proračuna koji se brzo ponavljaju, mozak se ispostavlja potpuno bespomoćnim, dok klasične MS mašine pokazuju svoje najbolje mogućnosti. Ovo je veoma velika i važna klasa računarstva, tako da će klasične mašine uvek biti potrebne, pa čak i neophodne. Međutim, postoji jednako široka klasa računanja za koje je arhitektura mozga najbolje tehničko rješenje. To su uglavnom proračuni s kojima se živi organizmi obično suočavaju: prepoznavanje kontura grabežljivca u "bučnom" okruženju; trenutno prisjećanje na ispravnu reakciju na njegov pogled, način da pobjegne kada se približi ili da se brani kada je napadnut; razlikovanje jestivih i nejestivih stvari, između seksualnih partnera i drugih životinja; izbor ponašanja u složenom fizičkom ili društvenom okruženju koje se stalno mijenja; itd.

Konačno, veoma je važno napomenuti da opisani paralelni sistem ne manipuliše simbolima u skladu sa strukturnim pravilima. Umjesto toga, manipulacija simbolima je samo jedna od mnogih drugih "inteligentnih" vještina koje mreža može, ali i ne mora naučiti. Manipulacija simbolima vođena pravilima nije primarni način na koji mreža funkcionira. Searleovo rezonovanje je usmjereno protiv MC strojeva vođenih pravilima; Sistemi vektorske transformacije tipa koji smo opisali stoga ne spadaju u okvir njegove argumentacije u kineskoj sobi, čak i da je valjan, u šta imamo druge, nezavisne razloge da sumnjamo.

Searle je svjestan paralelnih procesora, ali, po njegovom mišljenju, oni će također biti lišeni pravog semantičkog sadržaja. Kako bi ilustrovao njihovu neizbježnu inferiornost u tom pogledu, on opisuje eksperiment drugog razmišljanja, ovog puta s kineskom teretanom ispunjenom ljudima organiziranim u paralelnu mrežu. Dalji tok njegovog rezonovanja sličan je rasuđivanju u slučaju kineske sobe.

Po našem mišljenju, ovaj drugi primjer nije tako uspješan i uvjerljiv kao prvi. Prije svega, ne igra nikakvu ulogu činjenica da nijedan element u sistemu ne razumije kineski, jer isto vrijedi i za ljudski nervni sistem: niti jedan neuron u mom mozgu ne razumije engleski, iako mozak u cjelini razumije . Serl dalje kaže da bi njegov model (jedna osoba po neuronu plus jedan brzonogi dječak po sinaptičkoj vezi) zahtijevao najmanje 1014 ljudi, budući da ljudski mozak sadrži 1011 neurona, od kojih svaki ima u prosjeku 103 veze. Dakle, njegov sistem bi zahtijevao populaciju od 10.000 svjetova kao što je naša Zemlja. Očigledno, teretana je daleko od toga da može primiti više-manje adekvatan model.

S druge strane, kada bi se takav sistem još mogao sastaviti, u odgovarajućoj kosmičkoj skali, sa svim vezama precizno modeliranim, imali bismo ogroman, spor, čudno dizajniran, ali još uvijek funkcionalan mozak. U ovom slučaju, naravno, prirodno je očekivati ​​da će uz pravi input misliti, a ne obrnuto, da nije sposoban za to. Ne može se garantovati da će rad takvog sistema predstavljati stvarno razmišljanje, budući da teorija vektorske obrade možda neće adekvatno odražavati rad mozga. Ali na isti način, mi nemamo a priori garanciju da ona neće razmišljati. Searle još jednom pogrešno identificira trenutne granice vlastite (ili čitateljeve) mašte s granicama objektivne stvarnosti.

Mozak

Mozak je vrsta kompjutera, iako je većina njegovih svojstava još uvijek nepoznata. Daleko od toga da je mozak okarakterizirati kao kompjuter, a takav pokušaj ne treba shvatiti olako. Mozak računa funkcije, ali ne na isti način kao u primijenjenim zadacima koje rješava klasična umjetna inteligencija. Kada govorimo o mašini kao računaru, ne mislimo na sekvencijalni digitalni računar koji treba da se programira i koji ima jasnu razliku između softvera i hardvera; niti mislimo da ovaj kompjuter manipuliše simbolima ili da slijedi određena pravila. Mozak je kompjuter fundamentalno drugačije vrste.

Još nije poznato kako mozak hvata semantički sadržaj informacija, ali je jasno da ovaj problem nadilazi lingvistiku i nije ograničen samo na ljude kao vrstu. Mali komadić svježe zemlje znači, i za čovjeka i za kojota, da postoji gof negdje u blizini; eho sa određenim spektralnim karakteristikama ukazuje na prisustvo moljca kod šišmiša. Da bismo razvili teoriju formiranja značenja, moramo znati više o tome kako neuroni kodiraju i transformiraju senzorne signale, neuronsku osnovu pamćenja, učenja i emocija, te odnos između ovih faktora i motoričkog sistema. Teorija razumijevanja značenja zasnovana na neuronauci može čak zahtijevati našu intuiciju, koja nam se sada čini tako nepokolebljivom i koju Searle tako slobodno koristi u svom rasuđivanju. Ovakve revizije nisu neuobičajene u istoriji nauke.

Može li nauka stvoriti umjetnu inteligenciju koristeći ono što je poznato o nervnom sistemu? Ne vidimo suštinske prepreke na ovom putu. Searle se navodno slaže, ali uz upozorenje: "Svaki drugi sistem sposoban da generiše inteligenciju mora imati kauzalna svojstva (barem) ekvivalentna odgovarajućim svojstvima mozga." Na kraju članka razmotrit ćemo ovu izjavu. Vjerujemo da Searle ne tvrdi da uspješan AI sistem mora nužno imati sva uzročna svojstva mozga, kao što su sposobnost mirisanja truleži, sposobnost prenošenja virusa, sposobnost požutenja pod djelovanjem peroksidaze hrena itd. Zahtijevati potpunu usklađenost bilo bi kao tražiti od umjetne letjelice da može položiti jaja.

Vjerovatno je mislio samo na zahtjev da vještački um ima sva kauzalna svojstva koja, kako je rekao, pripadaju svjesnom umu. Međutim, koje tačno? I tu se opet vraćamo na raspravu o tome šta pripada svjesnom umu, a šta ne. Ovo je samo mjesto za raspravu, ali istinu u ovom slučaju treba saznati empirijski – pokušajte da vidite šta će se dogoditi. Budući da znamo tako malo o tome šta su tačno misaoni proces i semanttika, bilo kakva sigurnost o tome koja su svojstva ovde relevantna bila bi preuranjena. Searle nekoliko puta nagovještava da svaki nivo, uključujući biohemiju, mora biti predstavljen u svakoj mašini koja tvrdi da je umjetna inteligencija. Očigledno, ovo je prejak zahtjev. Umjetni mozak može postići isti učinak bez upotrebe biohemijskih mehanizama.

Ova mogućnost je demonstrirana u studijama K. Mead-a na Kalifornijskom institutu za tehnologiju. Mead i njegove kolege koristili su analogne mikroelektronske uređaje za stvaranje umjetne retine i umjetne pužnice. (Kod životinja, retina i pužnica nisu samo transduktori: postoji složena paralelna obrada koja se odvija u oba sistema.) Ovi uređaji više nisu jednostavni modeli u mini kompjuteru kojem se Searle smije; oni su stvarni elementi za obradu informacija koji reaguju u realnom vremenu na stvarne signale: svjetlost u slučaju mrežnjače i zvuk u slučaju pužnice. Dizajni uređaja temelje se na poznatim anatomskim i fiziološkim svojstvima mrežnice mačke i pužnice ušare, a njihov učinak je izuzetno blizak poznatim izlazima organa koje modeliraju.

Ova mikrokola ne koriste nikakve neurotransmitere, pa se čini da neurotransmiteri nisu potrebni za postizanje željenih rezultata. Naravno, ne možemo reći da umjetna mrežnica nešto vidi, jer njen izlaz ne ide u umjetni talamus ili moždanu koru, itd. Da li je moguće izgraditi cijeli umjetni mozak koristeći Mead program još nije poznato, ali na sada Nemamo dokaza da odsustvo biohemijskih mehanizama u sistemu čini ovaj pristup nerealnim.

Nervni sistem obuhvata čitav niz organizacija, od molekula neurotransmitera (ispod) do cijelog mozga i kičmene moždine. Srednji nivoi sadrže pojedinačne neurone i neuronske krugove, poput onih koji provode selektivnost percepcije vizuelnih podražaja (u centru), i sisteme koji se sastoje od mnogo kola, sličnih onima koji služe funkciji govora (gore desno). Samo kroz istraživanje može se utvrditi koliko je vještački sistem u stanju da reprodukuje biološke sisteme koji imaju um.

Kao i Searle, odbacujemo Tjuringov test kao dovoljan kriterijum za prisustvo svjesnog uma. Na jednom nivou, imamo slične razloge za ovo: slažemo se da je veoma važno kako se implementira funkcija definisana input-outputom; važno je da se u mašini odvijaju ispravni procesi. Na drugom nivou, vodimo se potpuno drugačijim razmatranjima. Searle zasniva svoj stav o prisustvu ili odsustvu semantičkog sadržaja na intuicijama zdravog razuma. Naše gledište se zasniva na specifičnim kvarovima klasičnih MS mašina i specifičnim prednostima mašina čija je arhitektura bliža strukturi mozga. Poređenje ovih različitih tipova mašina pokazuje da neke računske strategije imaju ogromnu i odlučujuću prednost u odnosu na druge u pogledu tipičnih mentalnih zadataka. Ove prednosti, utvrđene empirijski, ne izazivaju nikakve sumnje. Očigledno, mozak sistematski koristi ove računske prednosti. Međutim, to nikako nije jedini fizički sistem koji je u stanju da ih iskoristi. Ideja stvaranja umjetne inteligencije u nebiološkoj, ali u suštini paralelnoj mašini ostaje vrlo primamljiva i prilično obećavajuća.

Vještačka inteligencija je polje nauke koje dizajnira mašine, računare i hardver sa inteligencijom koja se kreće od najjednostavnijih do humanoidnih. Iako koncept inteligentnih mašina potiče iz starogrčke mitologije, savremena istorija veštačke inteligencije započela je razvojem kompjutera. Termin je skovan 1956. godine na prvoj konferenciji o umjetnoj inteligenciji.

Decenijama kasnije, naučnici nastavljaju da istražuju još uvek neuhvatljive poglede na mašinsku inteligenciju, iako se postavlja pitanje "može li mašina da misli?" i dalje izaziva najširu debatu.

Vrijedi napomenuti da, suprotno uvriježenom mišljenju, nisu svi nosioci umjetne inteligencije humanoidni roboti ili fantastični operativni sistemi s glasom Scarlett Johansson. Hajde da prođemo kroz osnovne vještine svojstvene AI.

Rješenje problema

Jedan od osnovnih kvaliteta AI je sposobnost rješavanja problema. Da bi mašini dali ovu sposobnost, naučnici su je opremili algoritmima koji oponašaju ljudsko razmišljanje i koriste koncepte verovatnoće, ekonomije i statistike.

Pristupi uključuju modele inspirirane neuronskim mrežama u mozgu, moć strojnog učenja i prepoznavanja obrazaca, te statističke pristupe koji koriste matematičke alate i jezike za rješavanje problema.

Mašinsko učenje

Još jedna osnovna tačka AI je sposobnost mašine da uči. Za sada ne postoji jedinstven pristup kojim bi se računar mogao programirati da prima informacije, stječe znanje i prilagođava ponašanje u skladu s tim – radije, postoji niz pristupa zasnovanih na algoritmima.

Jedna od važnih metoda mašinskog učenja je takozvano duboko učenje, AI metoda zasnovana na neuronskoj teoriji i koja se sastoji od zamršenih slojeva međusobno povezanih čvorova. Dok je Apple-ov Siri jedan primjer dubokog učenja na djelu, Google je nedavno kupio DeepMind, startup koji je specijaliziran za napredne algoritme učenja AI; Netflix također ulaže u duboko učenje.

obrada jezika

Obrada prirodnog jezika (NLP) daje mašini mogućnost čitanja i razumevanja ljudskog jezika, omogućavajući komunikaciju između čoveka i mašine.

Takvi sistemi omogućavaju kompjuterima da prevode i komuniciraju kroz obradu signala, raščlanjivanje, semantičku analizu i pragmatiku (jezik u kontekstu).

Pokret i percepcija

Vrsta inteligencije povezana s pokretom i percepcijom usko je povezana s robotikom, koja mašini daje ne samo kognitivnu, već i senzornu inteligenciju. To je omogućeno navigacijskim unosom, tehnologijom lokalizacije i senzorima kao što su kamere, mikrofoni, sonari i prepoznavanje objekata. Posljednjih godina već smo vidjeli ove tehnologije u mnogim robotima, oceanskim i svemirskim roverima.

socijalna inteligencija

Emocionalne i socijalne vještine predstavljaju još jedan napredni nivo vještačke inteligencije koji omogućava mašini da preuzme još više ljudskih kvaliteta. SEMAINE, na primjer, ima za cilj da mašinama da takve društvene vještine kroz ono što naziva SAL, ili "vještački senzorni slušalac". Ovo je napredni sistem dijaloga, ako se može dovršiti, moći će da percipira izraz lica, izgled i glas osobe, prilagođavajući se tome.

Kreacija

Sposobnost kreativnog razmišljanja i djelovanja je karakteristična ljudska osobina koju mnogi smatraju superiornijom od sposobnosti kompjutera. Međutim, kao aspekt ljudske inteligencije, kreativnost se može primijeniti i na umjetnu inteligenciju.

Kaže se da se mašinama može dati prilika da proizvedu vrijedne i inovativne ideje kroz tri modela: kombinacijski, istraživački i transformacijski. Kako će se to tačno realizovati - videćemo u budućnosti. Uostalom, mašina AARON već proizvodi umjetnička djela muzejskog kvaliteta.

Improvizacija kao ljudska aktivnost je „prototip kreativnog ponašanja“, kaže Shelley Carson, član odsjeka za psihologiju na Univerzitetu Harvard. U svojoj knjizi Vaš kreativni mozak, ona piše da na osnovnom nivou svako od nas improvizira, jer postoje mnoge situacije u životu koje to zahtijevaju. Na primjer, na putu morate odmah donijeti jedinu ispravnu odluku kako biste izbjegli sudar. U ovom slučaju, osoba se poziva na svoje iskustvo. Ali kreativna improvizacija je nešto više, ona generiše nove neočekivane ideje.

Aronova slika

Robot AARON, koji je kreirao poznati umjetnik Gorald Cohen. Njegov izum, na najnižem nivou, proračunao je algoritme za kreiranje linija i oblika od kojih su napravljeni crteži. Kasnije je nazvan napredniji umjetnik robota Akcija Jackson koji je slikao slike slične djelima Jackson Pollocka. I iako rasprava o umjetničkoj vrijednosti ovakvih djela ne jenjava do sada, ostaje činjenica da roboti mogu stvarati.

Štoviše, neki moderni oblici umjetne inteligencije, čini se, mogu postići veliki uspjeh. Na primjer, Siri za iPhone ne samo da obrađuje prirodni ljudski govor, već se i prilagođava svakom korisniku pojedinačno, proučavajući njegov karakter i navike; i IBM-ov superkompjuter "Watson" osvojio je milion dolara u "Njegoj igri". Zar takve savršene mašine ne bi mogle da podnesu improvizaciju?