Inimeste elujärje parandamiseks peab tehisintellekt olema eelkõige inimesekeskne. Nagu juhtivteadlane selgitab Google Cloud Fei-Fei Li tähendab praktikas lisaks neid tehnoloogiaid arendavate meeskondade mitmekesistamisele ka suhtlus- ja koostööoskuste parandamist.

Tehisintellekt tänapäeval

Üks suurimaid tehisintellekti (AI) ettevõtteid on Google, ettevõte, mida paljud seostavad populaarse otsingumootoriga. Aastate jooksul on selle spetsialistid arendanud tehisintellekti, mida on näha mõnes praegustes toodetes. Näiteks Google Assistant, mis ilmus Androidi nutitelefonidele veebruaris; lisaks aitab AI ka eelmainitud otsingumootoril oma tööd teha; lõpuks on Google Home nutikõlar varustatud AI-süsteemiga. Praegu näeb tehisintellekt välja nagu esimese klassi õpilane, kuid pikemas perspektiivis võib see jõuda punkti, kus see muutub targemaks kui keskmine sellega suhtlev inimene.

Selle eesmärgi saavutamiseks peab tehisintellekt ise aga esmalt muutuma inimlikumaks. Vähemalt nii arvab Fei-Fei Li, Google Cloudi juhtivteadur ja Stanfordi tehisintellekti ja nägemislabori direktor. Tema arvates aitab tehisintellekt sel moel meil oma igapäevaelu paremaks muuta ja pakub sellega suhtlemisel psühholoogilist mugavust.

Intervjuus ajakirjale MIT Technology Review selgitas Li, et tehisintellekti mõjust meid ümbritsevale maailmale mõtlemine on analüüsiprotsessi kriitilise tähtsusega ning tehisintellektiga töötamine on selgelt näidanud, et edasised arendused peavad olema inimkesksemad. .

Masinintelligentsuse arendamine

“Kui hinnata, millisele tasemele AI tehnoloogia praeguseks on jõudnud, siis minu arvates on kõige silmatorkavam marker suurepärane mustrituvastus. Kaasaegne AI on liiga keskendunud , sellel puudub inimestele omane kontekstuaalne teadlikkus ja paindlik õpe. Samuti tahame teha tehnoloogiat, mis muudab inimeste elu paremaks, turvalisemaks, produktiivsemaks ja tööl paremaks – ja see nõuab väga kõrget inimeste ja masinate suhtlust,” ütleb Li.

Esimesi märke sellisest trendist on juba näha, kuigi selle potentsiaal on veel paljastamata. Näiteks juulis demonstreeris Google DeepMind tehisintellekti, millel on “kujutlusvõime” ja mis suudab infot analüüsida ja tegevusi planeerida ilma inimese sekkumiseta. Ettevõte ütles, et tema vaimusünnitus on "lävel" suutma täiuslikult imiteerida inimkõnet. Teine Google'i tehnoloogia, Google Clips, suudab ise pilte teha, välistades vajaduse pildistamiseks "ideaalset hetke" ära arvata. See sobib hästi Lee nägemusega, kuid rõhutab ka vajadust teha edasist tööd tehisintellekti iseseisvuse suunas.

AI kui tuleviku ideaalne inimene

Nagu Lee kinnitab, ei piisa tehisintellekti lihtsast uuendamisest ja sellele uute funktsioonide lisamisest. Mida tugevam on seos masina ja inimese vahel, seda suurem on oht, et ühiskonna ebamoraalsed osad võivad tehisintellekti mõjutada ning seetõttu on siin vaja eelkõige paljude spetsialistide loomingulist lähenemist ja kollektiivset tööd.

"Kui loote tehnoloogia, mis on laialt levinud ja etendab inimkonna jaoks üliolulist rolli, peate loomulikult veenduma, et see kannab endas väärtusi, mis on omased kõigile inimestele ja teenib kogu Maa elanikkonna vajadusi. . Kui arendajad teevad kõik endast oleneva, et programm oleks eranditult kõigile võrdselt kasulik, võimaldab see tõepoolest tehisintellektisüsteemides revolutsiooni.

Muidugi on tehisintellekt meie pilet tulevikku. Kuid kuna see on vaid tööriist inimese käes, saab seda kasutada nii headel kui ka omakasupüüdlikel, mõnikord isegi ebaseaduslikel eesmärkidel. Kui see tehnoloogia on määratud maailma muutma, siis loodame, et teadlased teevad õige valiku.

Algoritmiline tehisintellekti masin arusaam loomulikust keelest, st küsimuste-vastuste süsteemid ja juurdepääs loomuliku keele andmebaasidele, ühest keelest teise tõlkimine, mustrituvastus, 3-dimensiooniliste stseenide pildianalüüs, logistiliste teadmiste esitussüsteemid ja loogilised järeldused, heuristiline programmeerimine , teoreemide tõestamine, otsuste tegemine, mängud, andmebaasid, teadmistebaasid, robotid, ekspertsüsteemid

Mõtlemise esialgne definitsioon Aju tekkis ja arenes selleks, et tagada loomade olemasolu ehk ellujäämine. Võimalik on mõtlemise lihtne funktsionaalne määratlus, mis põhineb ideel, milleks mõtlemine on mõeldud (inimene või loom). Mõtlemine on aktiivne protsess elavas ajus, mille eesmärk on: 1. ajus ülesehitada aktiivne hierarhiline keskkonnamudel, mis on vajalik ja piisav keskkonna tajumiseks ning aktiivse eesmärgipärase käitumise kontrollimiseks multiekstreemses keskkonnas; 2. keskkonna tajumise protsessi rakendamine; 3. käitumiskontrolli protsessi rakendamine multi-äärmuslikus keskkonnas; 4. õppeprotsessi elluviimine; 5. mittealgoritmiliste (loominguliste) ülesannete lahendamine.

Mees isegi ei kahtlustanud aju puudumist ja see ei takistanud tal elada täisväärtuslikku intellektuaalset elu. 44-aastane mees, kommunaalameti juhataja. Üldintelligentsuse koefitsient - IQ - on 75, verbaalne - 84, mitteverbaalne - 70. Need pole tõesti väga suured väärtused, kuid üldiselt on need üle normi alumise piiri, mis reeglina langeb kokku väärtus 70.

Igaühes meist on draakon. Organisatsiooniliselt võib inimese aju, nagu kõik kõrgemad loomad, tinglikult jagada kolmeks funktsionaalseks struktuuriks: roomajate aju, tüveaju (sh seljaaju) ja neokorteks. Käitumise, sealhulgas intellektuaalse käitumise, määrab kõigi nende struktuuride terviklik, ühtne töö. Kõik, mille me roomajatelt pärisime, on sama inimlik kui kõrgemate vaimsete vajaduste rahuldamine. Paljud väga "vaimsed" õpetused on sisuliselt roomajate käitumise vorm. "Draakoni" tapmine E. Schwartzi metafoori järgi pole võimalik. "Draakoniga" saab ainult nõustuda.

Tõenäoliselt ei kehastu klassikaline tehisintellekt mõtlemismasinatesse; inimeste leidlikkuse piir selles valdkonnas ilmselt piirdub aju tööd jäljendavate süsteemide loomisega.

Tehisintellekti (AI) teadus on läbimas revolutsiooni. Selle põhjuste ja tähenduse selgitamiseks ning perspektiivi seadmiseks peame kõigepealt pöörduma ajaloo poole.

1950. aastate alguses andis traditsiooniline, mõnevõrra ebamäärane küsimus, kas masin suudab mõelda, teed ligipääsetavamale küsimusele, kas masin, mis manipuleerib füüsiliste sümbolitega struktuuripõhiste reeglite järgi, suudab mõelda. See küsimus on sõnastatud täpsemalt, kuna formaalne loogika ja arvutusteooria on eelneva poole sajandi jooksul teinud märkimisväärseid edusamme. Teoreetikud hakkasid hindama abstraktsete sümbolisüsteemide võimalusi, mis läbivad teatud reeglite järgi transformatsioone. Tundus, et kui neid süsteeme saab automatiseerida, avaldub nende abstraktne arvutusvõimsus reaalses füüsilises süsteemis. Sellised seisukohad aitasid kaasa hästi piiritletud uurimisprogrammi sünnile üsna sügaval teoreetilisel alusel.

Kas masin suudab mõelda?

Põhjuseid, miks vastata jah, oli palju. Ajalooliselt on üks esimesi ja sügavamaid põhjusi olnud kaks arvutusteooria olulist tulemust. Esimene tulemus oli Churchi tees, et iga efektiivselt arvutatav funktsioon on rekursiivselt arvutatav. Mõiste "tõhusalt arvutatav" tähendab, et on olemas mingi "mehaaniline" protseduur, mille abil on sisendandmete põhjal võimalik tulemust lõpliku aja jooksul arvutada. "Rekursiivselt arvutatav" tähendab, et on olemas piiratud hulk toiminguid, mida saab rakendada antud sisendile ja seejärel järjestikku ja korduvalt rakendada uutele tulemustele, et arvutada funktsioon piiratud aja jooksul. Mehaanilise protseduuri kontseptsioon ei ole formaalne, vaid pigem intuitiivne ja seetõttu puudub Churchi teesil formaalne tõestus. Siiski on see arvutamise olemus ja selle toetuseks koondub palju erinevaid tõendeid.

Teise olulise tulemuse sai Alan M. Turing, kes näitas, et mis tahes rekursiivselt arvutatavat funktsiooni saab lõplikus ajas välja arvutada, kasutades maksimaalselt lihtsustatud sümbolitega manipuleerimismasinat, mida hiljem hakati nimetama universaalseks Turingi masinaks. Seda masinat juhivad rekursiivselt rakendatavad reeglid, mis on tundlikud sisendina toimivate elementaarsete sümbolite identiteedi, järjestuse ja asukoha suhtes.

Nendest kahest tulemusest tuleneb väga oluline tagajärg, nimelt, et standardne digitaalarvuti, mis on varustatud õige programmiga, piisava mälu ja piisava ajaga, suudab arvutada mis tahes sisendi ja väljundiga reeglipõhiseid funktsioone. Teisisõnu, ta suudab näidata mis tahes süstemaatilist reaktsioonide kogumit väliskeskkonna suvalistele mõjudele.

Täpsustamaks seda järgmiselt: ülalpool käsitletud tulemused tähendavad, et õigesti programmeeritud masin, mis manipuleerib sümbolitega (edaspidi MC-masin), peab vastama Turingi testile teadliku meele olemasolu kohta. Turingi test on puhtalt käitumistest, kuid selle nõuded on väga tugevad. (Kui kehtiv see test on, sellest räägime allpool, kus kohtume teise, põhimõtteliselt erineva "testiga" teadliku meele olemasolu kohta.) Turingi testi algversiooni kohaselt peaks sisend MS masinasse olla loomulikus kõnekeeles küsimused ja fraasid, mille tippime sisendseadme klaviatuuril ja väljundiks on MS masina vastused, mis trükitakse välja väljundseadmega. Arvatakse, et masin on selle teadliku meele olemasolu testi läbinud, kui selle reaktsioone ei saa eristada tõelise intelligentse inimese poolt sisestatud vastustest. Muidugi ei tea praegu keegi, mis funktsiooni abil oleks võimalik saada väljund, mis ei erine ratsionaalse inimese käitumisest. Kuid Churchi ja Turingi tulemused garanteerivad meile, et olenemata sellest (eeldatavalt tõhusast) funktsioonist suudab sobivalt kavandatud MS-masin selle välja arvutada.

See on väga oluline järeldus, eriti kui arvestada, et Turingi kirjeldus masinaga koostoimest kirjutusmasina abil on tähtsusetu piirang. Sama järeldus kehtib ka siis, kui MC-masin suhtleb maailmaga keerukamal viisil: vahetu nägemise, loomuliku kõne jne aparatuuri kaudu. Lõpuks jääb keerulisem rekursiivne funktsioon ikkagi Turingi arvutatavaks. Jääb vaid üks probleem: leida see kahtlemata keeruline funktsioon, mis juhib inimese reaktsioone väliskeskkonna mõjudele, ja seejärel kirjutada programm (rekursiivselt rakendatavate reeglite kogum), mille abil MS masin selle funktsiooni arvutab. Need eesmärgid moodustasid aluse klassikalise tehisintellekti teaduslikule programmile.

Esimesed tulemused olid julgustavad

Geniaalselt programmeeritud programmidega MC-masinad demonstreerisid tervet rida tegevusi, mis näisid kuuluvat vaimuilmingute hulka. Nad reageerisid keerulistele käskudele, lahendasid keerulisi aritmeetika-, algebra- ja taktikaülesandeid, mängisid kabet ja malet, tõestasid teoreeme ja pidasid lihtsat dialoogi. Tulemused paranesid jätkuvalt suuremate salvestusseadmete, kiiremate masinate ning võimsamate ja keerukamate programmide väljatöötamisega. Klassikaline ehk "programmeeritud" AI on olnud väga elujõuline ja peaaegu igas mõttes edukas teadusvaldkond. Korduv eitamine, et MC-masinad lõpuks suudaksid mõelda, tundus olevat kallutatud ja teadmata. Tõendid positiivse vastuse poolt artikli pealkirjas püstitatud küsimusele tundusid enam kui veenvad.

Muidugi oli mõningaid ebaselgusi. Esiteks ei meenutanud MS-masinad kuigi palju inimese aju. Kuid ka siin oli klassikalisel AI-l veenev vastus valmis. Esiteks pole füüsilisel materjalil, millest MS-masin on valmistatud, sisuliselt midagi pistmist selle arvutatava funktsiooniga. Viimane on programmi sees. Teiseks ei oma tähtsust ka masina funktsionaalse arhitektuuri tehnilised üksikasjad, kuna täiesti erinevad arhitektuurid, mis on loodud töötama täiesti erinevate programmidega, võivad siiski täita sama sisend-väljundfunktsiooni.

Seetõttu oli AI eesmärk leida mõistusele omane funktsioon sisendi ja väljundi osas ning luua ka paljudest võimalikest programmidest efektiivseim selle funktsiooni arvutamiseks. Samas öeldi, et konkreetne viis, kuidas inimese aju funktsiooni arvutab, ei oma tähtsust. See lõpetab klassikalise tehisintellekti olemuse kirjelduse ja artikli pealkirjas püstitatud küsimusele positiivse vastuse aluse.

Kas masin suudab mõelda? Eitava vastuse kasuks kõlasid ka mõned argumendid. Läbi 1960. aastate olid tähelepanuväärsed negatiivsed argumendid suhteliselt haruldased. Mõnikord on tõstatatud vastuväide, et mõtlemine ei ole füüsiline protsess ja see toimub mittemateriaalses hinges. Selline dualistlik vaade ei tundunud aga piisavalt veenev ei evolutsioonilisest ega loogilisest vaatenurgast. See ei ole AI-uuringutele heidutavat mõju avaldanud.

Teistsuguse iseloomuga kaalutlused äratasid tehisintellekti spetsialistide tähelepanu palju rohkem. 1972. aastal avaldas Hubert L. Dreyfus raamatu, mis oli väga kriitiline tehisintellekti süsteemide paraadnäitajate suhtes. Ta märkis, et need süsteemid ei modelleerinud piisavalt tõelist mõtlemist ja paljastasid mustri, mis on omane kõigile neile ebaõnnestunud katsetele. Tema arvates puudus mudelitel see tohutu vormistamata üldteadmiste kogu maailmast, mis igal inimesel on, samuti tervele mõistusele omane võime tugineda nende teadmiste teatud komponentidele, olenevalt muutuva keskkonna nõuetest. . Dreyfus ei eitanud põhimõttelist võimalust luua kunstlik mõtlemisvõimeline füüsiline süsteem, kuid ta oli väga kriitiline idee suhtes, et seda on võimalik saavutada ainult sümbolitega manipuleerimisel rekursiivselt rakendatavate reeglitega.

Tehisintellekti spetsialistide, aga ka arutlusfilosoofide ringkondades Dreyfus neid tajuti peamiselt lühinägelike ja erapoolikutena, mis põhinevad sellele veel väga noorele uurimisvaldkonnale omane paratamatu lihtsustus. Võib-olla olid need puudused tõesti aset leidnud, kuid need olid loomulikult ajutised. Tuleb aeg, mil võimsamad masinad ja paremad programmid võimaldavad neist puudustest vabaneda. Tundus, et aeg töötab tehisintellekti jaoks. Seega ei avaldanud need vastuväited tehisintellekti valdkonna edasistele uuringutele märgatavat mõju.

Siiski selgus, et aeg töötas Dreyfus: 70ndate lõpus - 80ndate alguses ei suurendanud arvutite kiiruse ja mälu suurenemine nende "vaimseid võimeid" kuigi palju. Näiteks selgus, et mustrituvastus masinnägemissüsteemides nõuab ootamatult palju arvutusi. Praktiliselt usaldusväärsete tulemuste saamiseks tuli kulutada üha rohkem arvutiaega, mis ületas palju aega, mis kulub samade ülesannete täitmiseks bioloogilise nägemissüsteemi jaoks. Selline aeglane simulatsiooniprotsess oli murettekitav: arvutis levivad ju signaalid umbes miljon korda kiiremini kui ajus ja arvuti keskseadme taktsagedus on umbes sama palju suurem kui mis tahes leitud võnkumiste sagedus. ajus. Ja siiski, realistlike ülesannete puhul ületab kilpkonn jänest kergesti.

Lisaks on realistlike ülesannete lahendamiseks vajalik, et arvutiprogrammil oleks juurdepääs äärmiselt suurele andmebaasile. Sellise andmebaasi loomine on juba iseenesest üsna keeruline probleem, kuid seda süvendab veel üks asjaolu: kuidas tagada reaalajas juurdepääs selle andmebaasi konkreetsetele, kontekstist sõltuvatele fragmentidele. Kuna andmebaasid muutusid üha mahukamaks, muutus juurdepääsu probleem keerulisemaks. Põhjalik otsing võttis liiga kaua aega ja heuristilised meetodid ei olnud alati edukad. Dreyfuse väljendatutega sarnaseid hirme on hakanud jagama isegi mõned tehisintellekti valdkonnas töötavad eksperdid.

Umbes sel ajal (1980. aastal) esitas John Searle murrangulise kriitilise kontseptsiooni, mis seadis kahtluse alla klassikalise tehisintellekti uurimiskava põhieelduse, nimelt idee, et struktureeritud sümbolite õige manipuleerimine nende struktuuri arvesse võtvate reeglite rekursiivse rakendamise teel. , võib moodustada teadliku meele olemuse.

Searle'i põhiargument põhines mõtteeksperimendil, milles ta demonstreerib kahte väga olulist fakti. Esiteks kirjeldab ta MS masinat, mis (nagu me peaksime mõistma) rakendab funktsiooni, mis sisendil ja väljundil on võimeline läbima Turingi testi vestluse vormis, mis toimub eranditult hiina keeles. Teiseks on masina sisemine struktuur selline, et ükskõik mis käitumist see ka ei näitaks, ei jää vaatlejale kahtlustki, et ei masin tervikuna ega ükski osa sellest ei mõista hiina keelt. See sisaldab ainult ingliskeelset inimest, kes järgib juhistes kirjas olevaid reegleid, mille järgi manipuleerida ukses oleva postkasti kaudu sisenevate ja sealt väljuvate tähemärkidega. Lühidalt, süsteem rahuldab Turingi testi positiivselt, vaatamata sellele, et tal puudub ehtne arusaam hiina keelest ja sõnumite tegelik semantiline sisu (vt J. Searle'i artiklit „The Mind of the Brain – a Computer Program? ").

Üldine järeldus sellest on, et iga süsteem, mis lihtsalt manipuleerib füüsiliste sümbolitega struktuuritundlike reeglite järgi, on parimal juhul tegeliku teadliku meele kehv paroodia, kuna "tõelist semantikat" on võimatu genereerida lihtsalt nuppu " tühi süntaks". Siinkohal tuleb märkida, et Searle ei esita käitumuslikku (mittekäitumuslikku) testi teadvuse olemasolu kohta: teadliku meele elementidel peab olema tõeline semantiline sisu.

Tekib kiusatus Searle'ile ette heita, et tema mõtteeksperiment pole adekvaatne, kuna tema pakutud süsteem, mis toimib nagu "Rubiku kuubik", hakkab toimima absurdselt aeglaselt. Searle aga väidab, et kiirus ei mängi antud juhul mingit rolli. Kes mõtleb aeglaselt, mõtleb ikka õigesti. Kõik klassikalise AI kontseptsiooni järgi mõtlemise taastootmiseks vajalik on tema arvates "Hiina ruumis" olemas.

Searle'i artikkel kutsus esile entusiastlikke vastuseid tehisintellekti ekspertidelt, psühholoogidelt ja filosoofidelt. Kokkuvõttes suhtuti sellesse aga isegi suurema vaenulikkusega kui Dreyfuse raamatusse. Oma artiklis, mis avaldatakse samaaegselt ajakirja käesolevas numbris, esitab Searle mitmeid kriitilisi argumente oma kontseptsiooni vastu. Paljud neist on meie hinnangul legitiimsed, eriti need, mille autorid ahnelt “õnge võtavad”, väites, et kuigi ruumist ja selle sisust koosnev süsteem on hirmus aeglane, saab ta siiski hiina keelest aru.

Meile meeldivad need vastused, kuid mitte sellepärast, et me arvame, et Hiina tuba mõistab hiina keelt. Nõustume Searle'iga, et ta ei mõista teda. Nende argumentide atraktiivsus seisneb selles, et need peegeldavad suutmatust aktsepteerida Searle'i argumendis kõige olulisemat kolmandat aksioomi: "Süntaks iseenesest ei moodusta semantikat ega ole piisav semantika olemasoluks." See aksioom võib olla tõsi, kuid Searle ei saa õigustatult väita, et ta teab seda kindlalt. Veelgi enam, kui väita, et see on tõsi, tekib küsimus, kas klassikalise tehisintellekti uurimise programm on usaldusväärne, kuna see programm põhineb väga huvitaval eeldusel, et kui suudame ainult käivitada sobivalt struktureeritud protsessi, sisendite ja väljunditega õigesti ühendatud süntaktiliste elementide sisetants, siis saame samad meeleseisundid ja ilmingud, mis on inimesele omased.

See, et Searle’i kolmas aksioom tõesti selle küsimuse püstitab, saab ilmseks, kui võrdleme seda otseselt tema enda esimese järeldusega: "Programmid ilmuvad mõistuse olemusena ja nende olemasolu ei ole vaimu kohaloleku jaoks piisav." Pole raske näha, et tema kolmas aksioom kannab juba 90% järeldusest peaaegu identset. Seetõttu on Searle'i mõttekatse spetsiaalselt loodud kolmanda aksioomi toetamiseks. See on kogu Hiina toa mõte.

Kuigi Hiina toanäide muudab aksioomi 3 asjatundmatute jaoks atraktiivseks, ei usu me, et see tõestab selle aksioomi paikapidavust ning selle näite ebaõnnestumise demonstreerimiseks pakume illustratsiooniks oma paralleelnäite. Tihti on üks hea näide, mis vaidlustatud väite ümber lükkab, olukorda palju paremini selgitada kui terve raamat täis loogilist žongleerimist.

Teaduse ajaloos on olnud palju skeptitsismi näiteid, nagu me näeme Searle'i arutluskäikudes. XVIII sajandil. Iiri piiskop George Berkeley pidas mõeldamatuks, et survelained õhus võiksid iseenesest olla helinähtuste olemus või piisav tegur nende olemasoluks. Inglise luuletaja ja maalikunstnik William Blake ning saksa loodusteadlane Johann Goethe pidasid mõeldamatuks, et väikesed aineosakesed võiksid ise olla valguse objektiivseks eksisteerimiseks piisavad üksused või tegurid. Isegi sellel sajandil on olnud mehi, kes ei osanud ette kujutada, et elutu mateeria iseenesest, olgu ta kui tahes keerukas, võib olla orgaaniline üksus või piisav elutingimus. On selge, et sellel, mida inimesed võivad ette kujutada või mitte, pole sageli midagi pistmist sellega, mis tegelikult eksisteerib või ei eksisteeri. See kehtib isegi siis, kui tegemist on väga kõrge intelligentsusega inimestega.

Et näha, kuidas neid ajaloolisi õppetunde saab Searle'i arutluskäigus rakendada, rakendagem tema loogikale kunstlikku paralleeli ja tugevdagem seda paralleeli mõtteeksperimendiga.

Aksioom 1. Elekter ja magnetism on füüsikalised jõud.

Aksioom 2. Valguse oluline omadus on heledus.

Aksioom 3. Jõud ise ilmnevad säraefekti olemusena ja ei ole selle olemasoluks piisavad.

Järeldus 1. Elekter ja magnetism ei ole valguse olemuslikud ega ole piisavad selle eksisteerimiseks.

Oletame, et see põhjendus avaldati varsti pärast seda James K. Maxwell 1864. aastal pakkus välja, et valgus ja elektromagnetlained on identsed, kuid enne oli maailmas täielikult realiseeritud süstemaatilised paralleelid valguse omaduste ja elektromagnetlainete omaduste vahel. Ülaltoodud loogiline arutluskäik võib tunduda veenva vastulausena Maxwelli julgele hüpoteesile, eriti kui sellega kaasneb järgmine kommentaar aksioomi 3 toetuseks.

Mõelge pimedale ruumile, kus inimene hoiab käes püsimagnetit või laetud eset. Kui inimene hakkab magnetit üles-alla liigutama, siis Maxwelli kunstliku valgustuse (AI) teooria kohaselt tuleb magnetilt elektromagnetlainete leviv sfäär ja ruum muutub heledamaks. Kuid nagu on hästi teada kõigile, kes on proovinud mängida magnetite või laetud kuulidega, ei tekita nende jõud (ja seejuures ka kõik muud jõud), isegi kui need objektid liiguvad, mingit sära. Seetõttu tundub mõeldamatu, et me saaksime saavutada tõelise hõõguva efekti lihtsalt jõududega manipuleerides!

Elektromagnetiliste jõudude kõikumine on kerge, kuigi magnet, mida inimene liigutab, ei tekita mingit sära. Samuti võib teatud reeglite järgi sümbolitega manipuleerimine kujutada endast intelligentsust, kuigi Searle'i Hiina ruumis leiduval reeglipõhisel süsteemil näib puuduvat tõeline arusaam.

Mida saaks Maxwell vastata, kui see väljakutse talle esitataks?

Esiteks võis ta väita, et "helendava ruumi" eksperiment eksitab meid nähtava valguse omaduste osas, sest magneti vibratsiooni sagedus on äärmiselt madal, umbes 1015 korda väiksem kui vaja. Sellele võib järgneda kannatamatu vastus, et sagedus ei mängi siin mingit rolli, et võnkemagnetiga ruum sisaldab juba kõike vajalikku hõõgumisefekti avaldumiseks täielikult kooskõlas Maxwelli enda teooriaga.

Omakorda Maxwell võiks "sööta võtta" väitega täiesti õigustatult, et ruum on juba heledust täis, aga selle heledus on oma olemuselt ja tugevuselt selline, et inimene pole võimeline seda nägema. (Inimese magneti liigutamise madala sageduse tõttu on tekkivate elektromagnetlainete pikkus liiga pikk ja intensiivsus liiga madal, et inimsilm neile reageeriks.) Arvestades aga nende nähtuste mõistmise taset vaadeldaval ajaperioodil (eelmise sajandi 60ndad) oleks selline seletus ilmselt naeru ja pilkavaid märkusi tekitanud. Hõõguv tuba! Aga vabandust, härra Maxwell, seal on täiesti pime!”

Nii et me näeme, et vaesed Maxwell peab olema raske. Kõik, mida ta teha saab, on nõuda järgmist kolme punkti. Esiteks, ülaltoodud arutluskäigu aksioom 3 ei vasta tõele. Tõepoolest, hoolimata asjaolust, et intuitiivselt tundub see üsna usutav, tõstatame me tahtmatult selle kohta küsimuse. Teiseks ei näita helendava ruumi eksperiment meile midagi huvitavat valguse füüsikalise olemuse kohta. Ja kolmandaks, valguse ja kunstliku luminestsentsi võimalikkuse probleemi tõeliseks lahendamiseks vajame uurimisprogrammi, mis võimaldaks meil teha kindlaks, kas sobivates tingimustes on elektromagnetlainete käitumine valguse käitumisega täiesti identne. Sama vastuse peaks andma klassikaline tehisintellekt Searle'i arutluskäigule. Kuigi Searle'i hiina ruum võib tunduda "semantiliselt pime", on tal vähe põhjust väita, et teatud reeglite järgi tehtud sümbolitega manipuleerimine ei saa kunagi tekitada semantilisi nähtusi, eriti kuna inimesed on endiselt halvasti informeeritud ja piiratud ainult keele mõistmisega. nende seletamist vajavate semantiliste ja mentaalsete nähtuste terve mõistuse tase. Selle asemel, et nendest asjadest arusaamist ära kasutada, kasutab Searle oma arutlustes vabalt inimestes sellise arusaama puudumist.

Olles väljendanud oma kriitikat Searle'i arutluskäigule, pöördume tagasi küsimuse juurde, kas klassikalisel AI-programmil on reaalne võimalus teadvuse probleemi lahendamiseks ja mõtlemismasina loomiseks. Usume, et siinsed väljavaated pole eredad, kuid meie arvamus põhineb põhjustel, mis on põhimõtteliselt erinevad Searle’i kasutatud põhjustest. Me tugineme klassikalise tehisintellekti uurimisprogrammi konkreetsetele ebaõnnestumistele ja mitmetele õppetundidele, mida bioloogiline aju on meile õpetanud uue arvutusmudelite klassi kaudu, mis kehastavad selle struktuuri mõningaid omadusi. Oleme juba maininud klassikalise AI ebaõnnestumisi nende probleemide lahendamisel, mida aju kiiresti ja tõhusalt lahendab. Teadlased on järk-järgult jõudmas üksmeelele, et need tõrked on tingitud MS-masinate funktsionaalse arhitektuuri omadustest, mis lihtsalt ei sobi selle ees seisvate keerukate ülesannete lahendamiseks.

Mida me peame teadma, on see, kuidas aju saavutab mõtlemisefekti? Pöördprojekteerimine on inseneritöös laialt levinud tehnika. Kui uus tehniline seade müügile jõuab, mõtlevad konkurendid selle toimimise välja, võttes selle lahti ja proovides ära arvata, mis põhimõttel see põhineb. Aju puhul on seda lähenemist erakordselt raske rakendada, sest aju on planeedi kõige keerulisem asi. Sellegipoolest on neurofüsioloogidel õnnestunud paljastada palju aju omadusi erinevatel struktuuritasanditel. Kolm anatoomilist tunnust eristavad seda põhimõtteliselt traditsiooniliste elektrooniliste arvutite arhitektuurist.

Esiteks Närvisüsteem on paralleelne masin selles mõttes, et signaale töödeldakse samaaegselt miljonitel erinevatel viisidel. Näiteks edastab silma võrkkest keerukat sisendsignaali ajju mitte 8, 16 või 32 elemendist koosnevate partiidena nagu lauaarvuti, vaid signaali kujul, mis koosneb peaaegu miljonist üksikust elemendist, mis saabuvad samaaegselt Nägemisnärvi otsas (külgmine geniculate body), misjärel neid samaaegselt, ühes etapis, töötleb ka aju. Teiseks on aju elementaarne "töötlemisseade" neuron suhteliselt lihtne. Samuti on selle reaktsioon sisendsignaalile analoog, mitte digitaalne, selles mõttes, et väljundsignaali sagedus muutub pidevalt koos sisendsignaalidega.

Kolmandaks, ajus lisaks ühest neuronirühmast teise suunduvatele aksonitele leiame sageli ka vastupidises suunas suunduvaid aksoneid. Need naasmisprotsessid võimaldavad ajul moduleerida sensoorse teabe töötlemise viisi. Veelgi olulisem on asjaolu, et oma olemasolu tõttu on aju tõeliselt dünaamiline süsteem, milles pidevalt hoitud käitumist iseloomustab nii väga suur keerukus kui ka suhteline sõltumatus perifeersetest stiimulitest. Kasulikku rolli reaalsete närvivõrkude toimimismehhanismide ja paralleelsete arhitektuuride arvutusomaduste uurimisel mängisid suuresti lihtsustatud võrgumudelid. Mõelge näiteks kolmekihilisele mudelile, mis koosneb neuronilaadsetest elementidest, millel on aksonitaolised ühendused järgmise taseme elementidega. Sisendstiimul jõuab etteantud sisendelemendi aktiveerimisläveni, mis saadab mööda oma "aksonit" proportsionaalse tugevusega signaali peidetud kihi elementide arvukatele "sünaptilistele" lõppudele. Üldine mõju seisneb selles, et teatud sisendelementide komplekti aktiveerivate signaalide muster genereerib varjatud elementide komplektis teatud signaalimustri.

Sama võib öelda ka väljundelementide kohta. Samamoodi viib aktiveerimissignaalide konfiguratsioon peidetud kihi lõigul teatud aktiveerimismustrini väljundelementide lõigul. Kokkuvõttes võib öelda, et vaadeldav võrk on seade mis tahes suure hulga võimalike sisendvektorite (aktiveerimissignaalide konfiguratsioonide) teisendamiseks unikaalselt vastavaks väljundvektoriks. See seade on mõeldud konkreetse funktsiooni arvutamiseks. Millist funktsiooni see hindab, sõltub sünaptilise kaalustruktuuri globaalsest konfiguratsioonist.

Neuraalvõrgud modelleerivad aju mikrostruktuuri peamist omadust. Selles kolmekihilises võrgus töötlevad sisendneuronid (all vasakul) süütesignaalide konfiguratsiooni (all paremal) ja edastavad need mööda kaalutud ühendusi peidetud kihti. Peidetud kihi elemendid võtavad kokku oma mitu sisendit, moodustades uue signaalikonfiguratsiooni. See edastatakse väliskihile, mis teostab edasisi transformatsioone. Üldiselt muudab võrk mis tahes sisendsignaalide komplekti vastavaks väljundiks, sõltuvalt neuronite vaheliste ühenduste asukohast ja suhtelisest tugevusest.

Kaalude sobitamiseks on erinevaid protseduure, tänu millele saab luua võrgu, mis on võimeline arvutama peaaegu iga funktsiooni (st mis tahes teisendust vektorite vahel). Tegelikult on võrgus võimalik rakendada funktsiooni, mida ei saa isegi sõnastada, piisab, kui tuua sellele näited, mis näitavad, milliseid sisenemis- ja väljumisalasid me sooviksime. See protsess, mida nimetatakse "võrgu õppimiseks", viiakse läbi, valides järjestikku linkidele määratud kaalud, mis jätkub seni, kuni võrk hakkab soovitud väljundi saamiseks sooritama sisendis soovitud teisendusi.

Kuigi see võrgumudel lihtsustab oluliselt aju struktuuri, illustreerib see siiski mitmeid olulisi aspekte. Esiteks annab paralleelarhitektuur traditsioonilise arvuti ees tohutu kiiruseelise, kuna paljud sünapsid igal tasandil sooritavad korraga palju väikeseid arvutustoiminguid, selle asemel, et töötada väga aeganõudvas järjestikuses režiimis. See eelis muutub üha olulisemaks, kui neuronite arv igal tasandil suureneb. Üllataval kombel ei sõltu teabe töötlemise kiirus üldse protsessis osalevate elementide arvust igal tasandil ega ka nende arvutatava funktsiooni keerukusest. Igal tasandil võib olla neli elementi ehk sada miljonit; sünaptilise kaalu konfiguratsiooniga saab arvutada lihtsaid ühekohalisi summasid või lahendada teist järku diferentsiaalvõrrandeid. Vahet pole. Arvutusaeg on täpselt sama.

Teiseks süsteemi paralleelne olemus muudab selle väikeste vigade suhtes tundetuks ja annab funktsionaalse stabiilsuse; mõne lingi, isegi märgatava arvu, kaotamisel on ülejäänud võrgu poolt läbiviidava transformatsiooni üldisele edenemisele tühine mõju.

Kolmandaks, paralleelsüsteem salvestab suure hulga teavet hajutatud kujul, võimaldades samal ajal juurdepääsu selle teabe mis tahes fragmendile mitme millisekundi jooksul mõõdetava aja jooksul. Teave salvestatakse eelneva õppimise käigus tekkinud üksikute sünaptiliste seoste kaalu teatud konfiguratsioonide kujul. Soovitud teave "vabastatakse", kui sisendvektor selle lingi konfiguratsiooni läbib (ja teisendab).

Paralleelne andmetöötlus ei ole ideaalne igasuguste andmetöötluste jaoks. Väikese sisendvektoriga, kuid palju miljoneid kiiresti korduvaid rekursiivseid arvutusi nõudvaid ülesandeid lahendades on aju täiesti abitu, samas kui klassikalised MS-masinad demonstreerivad oma parimaid võimeid. See on väga suur ja oluline andmetöötlusklass, nii et klassikalisi masinaid on alati vaja ja isegi vaja. Siiski on sama lai arvutusi klass, mille jaoks aju arhitektuur on parim tehniline lahendus. Need on peamiselt arvutused, millega elusorganismid tavaliselt silmitsi seisavad: kiskja kontuuride äratundmine "mürarikkas" keskkonnas; silmapilkne õige reaktsiooni meeldetuletamine tema pilgule, põgenemisviis, kui ta läheneb, või kaitse, kui teda rünnatakse; söödavate ja mittesöödavate asjade, seksuaalpartnerite ja muude loomade eristamine; käitumise valik keerulises ja pidevalt muutuvas füüsilises või sotsiaalses keskkonnas; jne.

Lõpuks on väga oluline märkida, et kirjeldatud paralleelsüsteem ei manipuleeri sümbolitega struktuurireeglite järgi. Pigem on sümbolitega manipuleerimine vaid üks paljudest teistest "intelligentsetest" oskustest, mida võrgustik võib õppida või mitte. Reeglipõhine sümbolitega manipuleerimine ei ole võrgu peamine toimimisviis. Searle'i arutluskäik on suunatud reeglitega juhitavate MC-masinate vastu; Meie kirjeldatud tüüpi vektoriteisendussüsteemid jäävad seega tema Hiina ruumi argumendi ulatusest välja, isegi kui see oleks kehtiv, milles meil on muid sõltumatuid põhjusi kahelda.

Searle on paralleelprotsessoritest teadlik, kuid tema arvates puudub neil ka tegelik semantiline sisu. Et illustreerida nende vältimatut alaväärsust selles osas, kirjeldab ta teist mõtteeksperimenti, seekord Hiina jõusaaliga, mis on täidetud paralleelvõrgustikus organiseeritud inimestega. Tema arutluse edasine käik on sarnane Hiina ruumi arutluskäiguga.

Meie arvates ei ole see teine ​​näide nii edukas ja veenev kui esimene. Esiteks ei mängi mingit rolli asjaolu, et mitte ükski element süsteemis ei mõista hiina keelt, sest sama kehtib ka inimese närvisüsteemi kohta: mitte ükski neuron minu ajus ei mõista inglise keelt, kuigi aju tervikuna mõistab. . Searle jätkab, et tema mudel (üks inimene neuroni kohta pluss üks kiirejalgsus poiss sünaptilise ühenduse kohta) vajaks vähemalt 1014 inimest, kuna inimese ajus on 1011 neuronit, millest igaühel on keskmiselt 103 ühendust. Seega vajaks tema süsteem 10 000 maailma, nagu meie Maa, elanikkonda. Ilmselgelt pole jõusaal enam-vähem adekvaatset mudelit kaugeltki mahutav.

Teisest küljest, kui selline süsteem saaks ikkagi kokku pandud, sobival kosmilisel skaalal ja kõik ühendused täpselt modelleeritud, oleks meil tohutu, aeglane, kummalise disainiga, kuid siiski toimiv aju. Sel juhul on muidugi loomulik eeldada, et õige sisendiga ta arvab, mitte vastupidi, et ta pole selleks võimeline. Ei saa garanteerida, et sellise süsteemi toimimine esindab reaalset mõtlemist, kuna vektortöötluse teooria ei pruugi aju tööd adekvaatselt kajastada. Kuid samamoodi pole meil a priori garantiid, et ta ei mõtle. Searle identifitseerib järjekordselt ekslikult enda (või lugeja) kujutlusvõime praegused piirid objektiivse reaalsuse piiridega.

Aju

Aju on omamoodi arvuti, kuigi enamik selle omadustest on siiani teadmata. Aju kui arvutit iseloomustada pole kaugeltki lihtne ja sellisesse katsesse ei tasu liiga kergelt suhtuda. Aju arvutab funktsioone, kuid mitte samamoodi nagu klassikalise tehisintellekti abil lahendatavate rakendusülesannete puhul. Kui me räägime masinast kui arvutist, ei pea me silmas järjestikust digitaalset arvutit, mis vajab programmeerimist ja mille tarkvara ja riistvara on selgelt eraldatud; me ei mõtle ka seda, et see arvuti manipuleerib sümbolitega või järgib teatud reegleid. Aju on põhimõtteliselt erinevat tüüpi arvuti.

Kuidas aju info semantilist sisu kinni püüab, pole veel teada, kuid on selge, et see probleem ulatub keeleteadusest palju kaugemale ega piirdu ainult inimese kui liigiga. Väike laiguke värsket mulda tähendab nii inimesele kui ka koiotile, et kuskil läheduses on koll; teatud spektriomadustega kaja viitab nahkhiirele ööliblika olemasolule. Tähenduse kujunemise teooria väljatöötamiseks peame rohkem teadma, kuidas neuronid sensoorseid signaale kodeerivad ja transformeerivad, mälu, õppimise ja emotsioonide neuraalseid aluseid ning seoseid nende tegurite ja motoorse süsteemi vahel. Neurofüsioloogial põhinev tähenduse mõistmise teooria võib isegi nõuda meie intuitsiooni, mis tundub meile praegu nii vankumatuna ja mida Searle oma arutlustes nii vabalt kasutab. Sellised revisjonid pole teaduse ajaloos haruldased.

Kas teadus suudab luua tehisintellekti, kasutades närvisüsteemi kohta teadaolevat? Me ei näe sellel teel põhimõttelisi takistusi. Väidetavalt nõustub Searle, kuid hoiatusega: "Igal teisel süsteemil, mis on võimeline luureandmeid genereerima, peavad olema põhjuslikud omadused (vähemalt) samaväärsed aju vastavate omadustega." Artikli lõpus käsitleme seda väidet. Usume, et Searle ei väida, et edukal AI-süsteemil peavad tingimata olema kõik aju põhjuslikud omadused, nagu võime tunda mädanemist, võime kanda viiruseid, võime mädarõika peroksüdaasi toimel kollaseks muutuda jne. Täieliku järgimise nõudmine oleks sama, kui paluks tehislennukil muneda.

Tõenäoliselt pidas ta silmas ainult nõuet, et tehismeelel oleksid kõik põhjuslikud omadused, mis tema sõnul kuuluvad teadlikule meelele. Samas millised täpselt? Ja siin oleme taas tagasi vaidluse juurde selle üle, mis kuulub teadlikule meelele ja mis mitte. See on vaid koht vaidlemiseks, kuid tõde tuleks sel juhul välja selgitada empiiriliselt – proovige ja vaadake, mis juhtub. Kuna me teame nii vähe, mis täpselt on mõtlemisprotsess ja semantika, oleks igasugune kindlus selle kohta, millised omadused on siin olulised, ennatlik. Searle vihjab mitu korda, et iga tasand, sealhulgas biokeemia, peab olema esindatud igas masinas, mis väidab end olevat tehisintellekt. Ilmselgelt on see liiga tugev nõue. Tehisaju võib saavutada sama efekti ilma biokeemilisi mehhanisme kasutamata.

Seda võimalust demonstreerisid K. Meadi uuringud California Tehnoloogiainstituudis. Mead ja tema kolleegid kasutasid analoogseid mikroelektroonilisi seadmeid kunstliku võrkkesta ja kunstliku košlea loomiseks. (Loomadel ei ole võrkkest ja kochlea ainult andurid: mõlemas süsteemis toimub keeruline paralleelne töötlemine.) Need seadmed pole enam lihtsad mudelid miniarvutis, mille üle Searle naerab; need on reaalsed infotöötluselemendid, mis reageerivad reaalajas reaalsetele signaalidele: võrkkesta puhul valgus ja kõri puhul heli. Seadmete diagrammid põhinevad kassi võrkkesta ja sookakulli teadaolevatel anatoomilistel ja füsioloogilistel omadustel ning nende väljund on äärmiselt lähedane nende modelleeritavate elundite teadaolevatele väljunditele.

Need mikroskeemid ei kasuta mingeid neurotransmittereid, mistõttu ei tundu neurotransmitterid soovitud tulemuste saavutamiseks vajalikud. Muidugi ei saa öelda, et tehisvõrkkest midagi näeb, kuna selle väljund ei lähe kunstlikku talamusesse ega ajukooresse vms. Kas Meadi programmi abil on võimalik ehitada tervet tehisaju, pole veel teada, kuid kl. praegu Meil ​​pole tõendeid selle kohta, et biokeemiliste mehhanismide puudumine süsteemis muudab selle lähenemisviisi ebarealistlikuks.

Närvisüsteem hõlmab tervet rida organisatsiooni, alates neurotransmitteri molekulidest (allpool) kuni kogu aju ja seljaajuni. Vahetasemed sisaldavad üksikuid neuroneid ja närviahelaid, näiteks neid, mis rakendavad visuaalsete stiimulite tajumise selektiivsust (keskel), ja süsteeme, mis koosnevad paljudest ahelatest, mis on sarnased kõnefunktsioone teenindavatele ahelatele (paremal ülal). Ainult uuringute abil saab kindlaks teha, kui täpselt on kunstlik süsteem võimeline taastooma bioloogilisi süsteeme, millel on mõistus.

Nagu Searle, lükkame me Turingi testi tagasi kui teadliku meele olemasolu piisava kriteeriumi. Ühel tasandil on meil selle tegemiseks sarnased põhjused: nõustume, et on väga oluline, kuidas sisend-väljundiga määratletud funktsiooni rakendatakse; on oluline, et masinas toimuksid õiged protsessid. Teisel tasandil juhindume hoopis teistsugustest kaalutlustest. Searle rajab oma seisukoha semantilise sisu olemasolu või puudumise kohta terve mõistuse intuitsioonidele. Meie seisukoht põhineb klassikaliste MS-masinate spetsiifilistel tõrgetel ja masinate spetsiifilistel eelistel, mille arhitektuur on aju struktuurile lähemal. Nende erinevat tüüpi masinate võrdlus näitab, et mõnel arvutusstrateegial on tüüpiliste vaimsete ülesannete osas teiste ees tohutu ja otsustav eelis. Need empiiriliselt kindlaks tehtud eelised ei tekita kahtlusi. Ilmselgelt kasutab aju neid arvutuslikke eeliseid süstemaatiliselt ära. Kuid see pole sugugi tingimata ainus füüsiline süsteem, mis suudab neid ära kasutada. Idee luua tehisintellekt mittebioloogilises, kuid sisuliselt paralleelses masinas on endiselt väga ahvatlev ja paljulubav.

Tehisintellekt on teadusvaldkond, mis projekteerib masinaid, arvuteid ja riistvara, mille intelligentsus ulatub kõige lihtsamast humanoidini. Kuigi intelligentsete masinate mõiste sai alguse Vana-Kreeka mütoloogiast, sai tehisintellekti kaasaegne ajalugu alguse arvutite arengust. Mõiste võeti kasutusele 1956. aastal esimesel tehisintellekti konverentsil.

Aastakümneid hiljem jätkavad teadlased masinintelligentsi seni tabamatute pilguheite uurimist, kuigi küsimus "kas masin suudab mõelda?" tekitab endiselt kõige laiemat arutelu.

Väärib märkimist, et vastupidiselt levinud arvamusele ei ole kõik tehisintellekti kandjad humanoidrobotid või fantastilised operatsioonisüsteemid Scarlett Johanssoni häälega. Teeme läbi tehisintellektile omased põhioskused.

Probleemi lahendamine

AI üks põhiomadusi on oskus probleeme lahendada. Et anda masinale see võime, on teadlased varustanud selle algoritmidega, mis jäljendavad inimese mõtlemist ja kasutavad tõenäosuse, majanduse ja statistika mõisteid.

Lähenemisviisid hõlmavad mudeleid, mis on inspireeritud aju närvivõrkudest, masinõppe ja mustrituvastuse võimsusest ning statistilistest lähenemisviisidest, mis kasutavad probleemide lahendamiseks matemaatilisi tööriistu ja keeli.

Masinõpe

Teine AI põhipunkt on masina õppimisvõime. Seni pole ühtset lähenemist, mille abil saaks arvuti programmeerida infot vastu võtma, teadmisi omandama ja käitumist vastavalt kohandama – pigem on olemas mitmeid algoritmidel põhinevaid lähenemisi.

Üks olulisi masinõppe meetodeid on nn sügavõpe, närviteoorial põhinev tehisintellekti meetod, mis koosneb omavahel ühendatud sõlmede keerulistest kihtidest. Kui Apple'i Siri on üks näide sügavast õppimisest tegevuses, siis Google omandas hiljuti DeepMindi, idufirma, mis on spetsialiseerunud täiustatud tehisintellekti õppimisalgoritmidele; Netflix investeerib ka sügavasse õppimisse.

keele töötlemine

Natural Language Processing (NLP) annab masinale võimaluse lugeda ja mõista inimkeelt, võimaldades inimese ja masina suhtlust.

Sellised süsteemid võimaldavad arvutitel tõlkida ja suhelda signaalitöötluse, sõelumise, semantilise analüüsi ja pragmaatika (keel kontekstis) abil.

Liikumine ja taju

Liikumise ja tajuga seotud intelligentsuse tüüp on tihedalt seotud robootikaga, mis annab masinale mitte ainult kognitiivse, vaid ka sensoorse intelligentsuse. See on võimalik tänu navigeerimissisendile, lokaliseerimistehnoloogiale ja anduritele, nagu kaamerad, mikrofonid, sonarid ja objektituvastus. Viimastel aastatel oleme neid tehnoloogiaid näinud juba paljudes robotites, ookeani- ja kosmosekulgurites.

sotsiaalne intelligentsus

Emotsionaalsed ja sotsiaalsed oskused esindavad teist kõrgetasemelist tehisintellekti, mis võimaldab masinal omandada veelgi rohkem inimlikke omadusi. Näiteks SEMAINE eesmärk on anda masinatele selliseid sotsiaalseid oskusi millegi kaudu, mida ta nimetab SAL-iks või "kunstlikuks sensoorseks kuulajaks". See on täiustatud dialoogisüsteem, mille lõpuleviimisel suudab see vastavalt kohanedes tajuda inimese näoilmet, ilmet ja häält.

Loomine

Loovalt mõtlemise ja tegutsemise võime on inimesele iseloomulik tunnus, mida paljud peavad arvutivõimetest paremaks. Inimese intelligentsuse aspektina saab aga loovust rakendada ka tehisintellekti puhul.

Väidetavalt saab masinatele anda võimaluse toota väärtuslikke ja uuenduslikke ideid kolme mudeli kaudu: kombineeritud, uurimine ja ümberkujundamine. Kuidas see täpselt ellu viiakse, selgub tulevikus. Lõppude lõpuks toodab AARON masin juba muuseumikvaliteediga kunstiteoseid.

Improviseerimine kui inimtegevus on "loova käitumise prototüüp", ütleb Shelly Carson, Harvardi ülikooli psühholoogiaosakonna liige. Oma raamatus Your Creative Brain kirjutab ta, et algtasemel improviseerib igaüks meist, kuna elus on palju olukordi, mis seda nõuavad. Näiteks maanteel tuleb kokkupõrke vältimiseks teha koheselt ainuõige otsus. Sel juhul viitab inimene oma kogemusele. Loominguline improvisatsioon on aga midagi enamat, see genereerib uusi ootamatuid ideid.

Aaroni maal

Robot AARON, mille on loonud tuntud kunstnik Gorald Cohen. Tema leiutis oma madalaimal tasemel arvutas välja algoritmid joonte ja kujundite loomiseks, millest tehti jooniseid. Hiljem nimetati arenenum robotkunstnik Action Jackson kes maalis Jackson Pollocki töödega sarnaseid maale. Ja kuigi arutelu selliste teoste kunstilise väärtuse üle ei vaibu siiani, jääb faktiks, et robotid suudavad luua.

Veelgi enam, näib, et mõned tehisintellekti kaasaegsed vormid võivad saavutada suurt edu. Näiteks Siri for iPhone mitte ainult ei töötle loomulikku inimkõnet, vaid kohandub ka iga kasutajaga individuaalselt, uurides tema iseloomu ja harjumusi; ja IBMi superarvuti "Watson" võitis "Tema mängus" miljon dollarit. Kas nii täiuslikud masinad ei saaks improvisatsiooniga hakkama?