Для того, щоб покращити життя людей, штучний інтелект має бути насамперед орієнтований на людину. Як пояснює головний вчений Google CloudФей-Фей Лі, на практиці це означає покращення навичок спілкування та взаємодії на додаток до диверсифікації команд, які розробляють подібні технології.

Штучний інтелект у наші дні

Одна з найбільших компаній, на штучному інтелекті (AI), - це Google, компанія, яку багато хто пов'язує з популярною пошуковою системою. Протягом багатьох років її фахівці розробляють ШІ, що можна побачити в деяких поточних продуктах. Наприклад, Google Assistant, який вийшов на Android-смартфони у лютому; крім того, AI також допомагає вищезгаданій пошуковій системівиконувати свою роботу; нарешті, системою ІІ оснащено інтелектуальний динамік Google Home. Зараз ІІ схожий на першокласника, але в перспективі може досягти точки, в якій стане розумнішою за звичайну людину, що взаємодіє з ним.

Однак для досягнення цієї мети самому AI спочатку доведеться стати більш схожим на людину. Принаймні так вважає головний науковий співробітник Google Cloud та директор Стенфордської лабораторії штучного інтелектута зору Фей-Фей Лі. На її думку, таким чином ІІ допоможе нам покращити повсякденне життята забезпечить психологічний комфорт під час спілкування з ним.

В інтерв'ю журналу MIT Technology Review Лі пояснила, що роздуми про вплив ІІ на навколишній світє найважливішою частиною аналітичного процесу і що робота зі штучним інтелектом чітко показала, що майбутні розробки мають бути орієнтовані на людину.

Розвиток машинного інтелекту

Якщо оцінювати те, якого рівня досягли технології AI в даний час, то на мій погляд найяскравішим маркером буде відмінне розпізнавання образів. Сучасний ІІ надто орієнтований на , йому не вистачає контекстуального усвідомлення та гнучкого навчання, властивого людям. Ми також хочемо зробити технологію, яка зробить життя людей кращим і безпечнішим, додасть їй продуктивності та покращить якість роботи — а це вимагає дуже високий рівень взаємодії машини та людини», — міркує Лі.

Зараз уже можна спостерігати перші ознаки подібної тенденції, хоча її потенціал ще належить розкритися. Наприклад, у липні Google DeepMind продемонструвала ІІ, який має «уяву» і здатний аналізувати інформацію та планувати дії без участі людини. Компанія заявила, що її дітище знаходиться на межі можливості ідеального наслідування людської мови. Інша технологія Google, Google Clips, здатна самостійно робити знімки, позбавляючи людину необхідності підгадувати «ідеальний момент» для фотографування. Це добре вкладається в концепцію Лі, але також наголошує на необхідності подальшої роботи у напрямі самостійності ІІ.

ІІ як ідеальна людина майбутнього

Як запевняє Лі, простого апгрейду штучного інтелекту та додавання йому нових можливостей буде недостатньо. Чим міцнішим буде зв'язок машини та людини, тим вищий ризик, що на штучний інтелект можуть вплинути аморальні частини соціуму, а тому тут необхідний насамперед творчий підхід та колективна праця багатьох фахівців.

«Коли ви створюєте технологію, яка набуває масового поширення і відіграє для людства найважливішу роль, то, звичайно, необхідно переконатися, щоб вона несла в собі цінності, властиві всім людям, і слугувала потребам всього населення Землі. Якщо розробники докладуть усіх зусиль до того, щоб програма була однаково корисна всім без винятку, це справді дозволить здійснити революцію в системах штучного інтелекту».

Безумовно, штучний інтелект – це наш квиток у майбутнє. Але, будучи лише інструментом в руках людини, він може бути використаний як для благих, так і для корисливих, часом навіть протизаконних цілей. Якщо саме цій технології судилося змінити світ, то сподіватимемося, що вчені зроблять правильний вибір.

Алгоритмічний Штучний інтелект розуміння машиною природної мови, тобто системи "питання-відповідь" і доступ до баз даних природною мовою, переклад з однієї мови на іншу, розпізнавання образів, аналіз зображень 3-вимірних сцен, логістичні системи подання знань та логічний висновок, евристичне програмування, доказ теорем , прийняття рішень, ігри, бази даних, бази знань, роботи, експертні системи

Попереднє визначення мислення Мозок виник і еволюційно розвивався задля забезпечення існування тварин, т. е. для виживання. Можливе просте функціональне визначення мислення, що ґрунтується на уявленні про те, для чого потрібне мислення (людині чи тварині). Мислення - це активний процес у живому мозку, спрямований на: 1. побудова в мозку активної ієрархічної моделі середовища, необхідного та достатнього для сприйняття середовища проживання та управління активною цілеспрямованою поведінкою у багатоекстремальному середовищі; 2. реалізацію процесу сприйняття середовища; 3. реалізацію процесу управління поведінкою в багатоекстремальному середовищі; 4. реалізацію процесу навчання; 5. розв'язання неалгоритмічних (творчих) завдань.

Людина навіть не здогадувалася про відсутність мозку, і це не заважало вести йому повноцінне інтелектуальне життя. Чоловік 44 роки, керівник муніципального управління. Коефіцієнт загального інтелекту – IQ – дорівнює 75, вербального – 84, невербального – 70. Це дійсно не дуже великі значення, однак у цілому вони вищі за нижню межу норми, що збігається, як правило, зі значенням 70.

У кожному з нас сидить дракон. Організаційно мозок людини, як і всіх вищих тварин, можна умовно розбити на три функціональні структури: мозок рептилій стовбуровий мозок (у тому числі і спинний мозок), нова кора Поведінка, у тому числі й інтелектуальна, визначається цілісною, об'єднаною роботою всіх зазначених структур. Все, що нам дісталося від рептилій, таке ж людське, як і задоволення найвищих духовних потреб. Багато вельми «духовних» вчень є по суті своєю формою реалізації поведінки рептилій. Вбити «Дракона», за метафорою Є. Шварца, неможливо. З «Драконом» можна лише домовитись.

Класичний штучний інтелект навряд чи буде втілений у мислячих машинах; межа людської винахідливості у цій галузі, мабуть, обмежиться створенням систем, що імітують роботу мозку.

У науці про штучний інтелект (ІІ) відбувається революція. Щоб пояснити її причини і сенс і уявити в перспективі, ми перш за все повинні звернутися до історії.

На початку 50-х років традиційне, дещо розпливчасте питання про те, чи може машина мислити, поступилося більш доступним питанням: чи може мислити машина, що маніпулює фізичними символами відповідно до правил, що враховують їхню структуру. Це питання сформульоване точніше, тому що за попередні півстоліття формальна логікаі теорія обчислень суттєво просунулися вперед. Теоретики стали високо оцінювати можливості абстрактних систем символів, які зазнають перетворень відповідно до певних правил. Здавалося, що якби ці системи вдалося автоматизувати, їх абстрактна обчислювальна міць проявилася б у реальної фізичної системі. Подібні погляди сприяли народженню цілком певної програми досліджень на досить глибокій теоретичній основі.

Чи може машина думати?

Було багато причин для того, щоб відповісти так. Історично одна з перших і найглибших причин полягала у двох важливих результатах теорії обчислень. Перший результат був тезою Черча, згідно з якою кожна функція, що ефективно обчислюється, є рекурсивно обчислюваною. Термін "ефективно обчислювана" означає, що існує якась "механічна" процедура, за допомогою якої можна за кінцевий час обчислити результат при заданих вхідних даних. «Рекурсивно обчислювана» означає, що існує кінцева безліч операцій, які можна застосувати до заданого входу, а потім послідовно і багаторазово застосовувати до результатів, що одержуються, щоб обчислити функцію за кінцевий час. Поняття механічної процедури не формальне, а скоріше інтуїтивне, і тому теза Черча не має формального доказу. Однак він проникає в саму суть того, чим є обчислення, і безліч різних свідчень сходяться на його підтвердження.

Другий важливий результатбув отриманий Аланом М. Тьюрингом, який продемонстрував, що будь-яка рекурсивно обчислювана функція може бути обчислена за кінцевий час за допомогою максимально спрощеної машини, що маніпулює символами, яку стали називати універсальною машиною Тьюринга. Ця машина керується рекурсивно застосовними правилами, чутливими до ідентичності, порядку та розташування елементарних символів, які відіграють роль вхідних даних.

З цих двох результатів випливає дуже важливий наслідок, а саме що стандартний цифровий комп'ютер, з правильною програмою, достатньо великою пам'яттюі має достатній час, може обчислити будь-яку керовану правилами функцію з входом і виходом. Іншими словами, він може продемонструвати будь-яку систематичну сукупність відповідей на довільні дії з боку довкілля.

Конкретизуємо це наступним чином: розглянуті вище результати означають, що відповідно запрограмована машина, що маніпулює символами (надалі називатимемо її МС-машиною), повинна задовольняти тесту Тьюринга на наявність свідомого розуму. Тест Тьюринга - це суто біхевіористський тест, проте його вимоги дуже сильні. (Наскільки спроможний цей тест, ми розглянемо нижче, там де зустрінемося з другим, принципово відмінним «тестом» на наявність свідомого розуму.) Згідно з початковою версією тесту Тьюринга, входом для МС-машини повинні бути питання та фрази на природному розмовною мовою, які ми набираємо на клавіатурі устрою введення, а виходом є відповіді МС-машини, надруковані пристроєм виведення. Вважається, що машина витримала цей тест на присутність свідомого розуму, якщо її відповіді неможливо відрізнити від відповідей, надрукованих реальною розумною людиною. Звичайно, нині нікому не відома та функція, за допомогою якої можна було б отримати вихід, який не відрізняється від поведінки розумної людини. Але результати Черча та Тьюринга гарантують нам, що якою б не була ця (імовірно ефективна) функція, МС-машина відповідної конструкції зможе її обчислити.

Це дуже важливий висновок, особливо якщо врахувати, що тьюрингівський опис взаємодії з машиною за допомогою друкувальної машинки є несуттєвим обмеженням. Те ж висновок залишається в силі, навіть якщо МС-машина взаємодіє зі світом. складними способами: за допомогою апарату безпосереднього зору, природного мовлення і т. д. Зрештою більш складна рекурсивна функція все ж таки залишається обчислюваною за Тьюрингом. Залишається лише одна проблема: знайти ту безперечно складну функцію, яка управляє реакціями у відповідь людини на впливи з боку зовнішнього середовища, а потім написати програму (множина рекурсивно застосовних правил), за допомогою якої МС-машина обчислить цю функцію. Ось ці цілі лягли в основу наукової програми класичного штучного інтелекту.

Перші результати були обнадійливими

МС-машини з дотепно складеними програмами продемонстрували цілий ряддій, які начебто відносяться до проявів розуму. Вони реагували на складні команди, вирішували важкі арифметичні, алгебраїчні та тактичні завдання, грали в шашки та шахи, доводили теореми та підтримували простий діалог. Результати продовжували поліпшуватися з появою більш ємних запам'ятовуючих пристроїв, більш швидкодіючих машин, а також з розробкою більш потужних і витончених програм. Класичний, або «побудований на програмуванні», ІІ був дуже живим і успішним науковий напрямокмайже з усіх поглядів. Заперечення, що періодично висловлювалося, що МС-машини в кінцевому підсумку будуть здатні мислити, здавалося проявом необ'єктивності і неінформованості. Свідчення на користь позитивної відповіді на питання, винесене в заголовок статті, здавалися більш ніж переконливими.

Звичайно, залишалися деякі неясності. Насамперед МС-машини не дуже нагадували людський мозок. Однак і тут у класичного ІІ була напоготові переконлива відповідь. По-перше, фізичний матеріал, з якого зроблена МС-машина, по суті не має жодного відношення до обчислюваної нею функції. Остання зафіксована у програмі. По-друге, технічні подробиці функціональної архітектури машини також не мають значення, оскільки абсолютно різні архітектури, розраховані працювати з абсолютно різними програмами, можуть виконувати однакову функцію по входу-выходу.

Тому метою ІІ було знайти функцію, по входу та виходу характерну для розуму, а також створити найбільш ефективну з багатьох можливих програм для того, щоб обчислити цю функцію. При цьому говорили, що специфічний спосіб, за допомогою якого функція обчислюється людським мозком, не має значення. Цим і завершується опис сутності класичного ІІ та підстав для позитивної відповіді на питання, поставлене у заголовку статті.

Чи може машина думати? Були також деякі докази і на користь негативної відповіді. Протягом 60-х років негативні аргументи, що заслуговують на увагу, зустрічалися відносно рідко. Іноді висловлювалося заперечення, яке полягає в тому, що мислення - це не фізичний процесі протікає він у нематеріальній душі. Однак подібна дуалістична думка не виглядала досить переконливою ні з еволюційної, ні з логічної точки зору. Воно не вплинуло на дослідження в області ІІ.

Набагато більшу увагу фахівців з ІІ привернули міркування іншого характеру. У 1972 р. Хьюберт Л. Дрейфус опублікував книгу, у якій різко критикувалися парадні демонстрації проявів розуму у систем ІІ. Він вказував на те, що ці системи не адекватно моделювали справжнє мислення, і розкрив закономірність, властиву всім цим невдалим спробам. На його думку, у моделях був відсутній той величезний запаснеформалізованих загальних знаньпро світ, який має будь-яка людина, а також здатність, властива здоровому глузду, спиратися на ті чи інші складові цих знань,залежновід вимог обстановки, що змінюється. Дрейфус не заперечував принципової можливості створення штучної фізичної системи, здатної мислити, але він дуже критично поставився до ідеї про те, що це може бути досягнуто тільки за рахунок маніпулювання символами за допомогою рекурсивно застосовуваних правил.

У колах фахівців із штучного інтелекту, а також філософів міркування Дрейфусабули сприйняті головним чином як недалекоглядні та необ'єктивні, що базуються на неминучих спрощеннях, властивих цій ще дуже молодій галузі досліджень. Можливо, ці недоліки дійсно мали місце, але вони, звичайно, були тимчасовими. Настане час, коли потужніші машини і якісніші програми дозволять позбутися цих недоліків. Здавалося, що час працює на штучний інтелект. Таким чином, і ці заперечення не мали жодного помітного впливу на подальші дослідженняу сфері ІІ.

Однак виявилося, що час працював і на Дрейфуса: наприкінці 70-х - початку 80-х років збільшення швидкодії та обсягу пам'яті комп'ютерів підвищувало їх « розумові здібності" не на багато. З'ясувалося, наприклад, що розпізнавання образів у системах машинного зору потребує несподівано великого обсягу обчислень. Для отримання фактично достовірних результатів необхідно було витрачати дедалі більше машинного часу, набагато перевищуючи час, необхідне виконання тих самих завдань біологічної системі зору. Такий повільний процес моделювання насторожував: адже в комп'ютері сигнали поширюються приблизно в мільйон разів швидше, ніж у мозку, а тактова частота центрального процесорного пристрою комп'ютера приблизно в стільки ж разів вище за частоту будь-яких коливань, виявлених у мозку. І все ж таки на реалістичних завданнях черепаха легко обганяє зайця.

Крім того, для вирішення реалістичних завдань необхідно, щоб комп'ютерна програмамала доступ до надзвичайно великої бази даних. Побудова такої бази даних вже сама по собі представляє досить складну проблему, але вона посилюється ще однією обставиною: яким чином забезпечити доступ до конкретних фрагментів цієї бази даних, що залежать від контексту, в реальному масштабі часу. У міру того, як бази даних ставали все більш ємними, проблема доступу ускладнювалася. Вичерпний пошук займав дуже багато часу, а евристичні методине завжди призводили до успіху. Побоювання, подібні до тих, що висловлював Дрейфус, почали розділяти навіть деякі фахівці, які працюють у галузі штучного інтелекту.

Приблизно у цей час (1980 р.) Джон Сірл висловив принципово нову критичну концепцію, що ставила під сумнів саме фундаментальне припущення класичної програми досліджень з ІІ, саме - ідею у тому, що правильне маніпулювання структурованими символами шляхом рекурсивного застосування правил, враховують їх структуру, може становити сутність свідомого розуму.

Основний аргумент Сірла базувався на уявному експерименті, в якому він демонструє дві дуже важливі обставини. По-перше, він описує МС-машину, яка (як ми повинні розуміти) реалізує функцію, що по входу і виходу здатну витримати тест Тьюринга у вигляді розмови, що протікає виключно китайською мовою. По-друге, внутрішня структура машини така, що незалежно від того, яку поведінку вона демонструє, у спостерігача немає сумнівів у тому, що ні машина в цілому, ні будь-яка її частина не розуміють китайської мови. Все, що вона в собі містить, - це людина, що говорить тільки англійською, виконує записані в інструкції правила, за допомогою яких слід маніпулювати символами, що входять і виходять через віконце для поштової кореспонденції у двері. Коротше кажучи, система позитивно задовольняє тесту Тьюринга, незважаючи на те, що не має справжнього розуміння китайської мови і реального семантичного змісту повідомлень (див. статтю Дж. Сірла «Розум мозку - комп'ютерна програма?»).

Звідси робиться загальний висновок, що будь-яка система, яка просто маніпулює фізичними символами згідно з чутливими до структури правилами, буде в кращому разі лише жалюгідною пародією справжнього свідомого розуму, оскільки неможливо породити «реальну семантику», просто крутячи ручку «порожнього синтаксису». Тут слід зауважити, що Сірл висуває не біхевіористський (не поведінковий) тест на наявність свідомості: елементи свідомого розуму повинні мати реальний семантичний зміст.

Виникає спокуса дорікнути Сірлу в тому, що його уявний експериментне адекватний, оскільки запропонована ним система, що діє на кшталт «кубика-рубика», працюватиме до абсурду повільно. Однак Сірл наполягає, що швидкодія в даному випадкуне відіграє жодної ролі. Думаючий повільно все ж таки думає правильно. Все необхідне для відтворення мислення, згідно з концепцією класичного ІІ, на його думку, є в «китайській кімнаті».

Стаття Сирла викликала жваві відгуки фахівців з ІІ, психологів та філософів. Проте загалом вона була зустрінута ще ворожіше, ніж книга Дрейфуса. У своїй статті, яка одночасно публікується в цьому номері журналу, Сірл наводить низку критичних доказів, що висловлюються проти його концепції. На нашу думку, багато з них правомірні, особливо ті, автори яких жадібно «кидаються на приманку», стверджуючи, що, хоча система, що складається з кімнати та її вмісту, працює дуже повільно, вона все ж таки розуміє китайську мову.

Нам подобаються ці відповіді, але не тому, що ми вважаємо, що китайська кімната розуміє китайську мову. Ми згодні із Сірлом, що вона його не розуміє. Привабливість цих аргументів у цьому, що вони відбивають відмова сприйняти найважливішу третю аксіому у міркуванні Сирла: « Синтаксис сам собою не становить семантику та її недостатньо існування семантики». Можливо, ця аксіома і справедлива, але Сірл не може цілком стверджувати, що йому це точно відомо. Більше того, припустити, що вона справедлива, - значить напрошуватися на питання про те, чи заможна програма досліджень класичного ІІ, оскільки ця програма базується на дуже цікавому припущенні, що якщо нам тільки вдасться порушити відповідним чином структурований процес, своєрідний внутрішній танець синтаксичних елементів, правильно пов'язаних з входами і виходами, ми можемо отримати ті ж стани і прояви розуму, які властиві людині.

Те, що третя аксіома Сірла дійсно напрошується на це питання, стає очевидним, коли ми безпосередньо зіставляємо її з його першим висновком: «Програми з'являються сутністю розуму і їх наявності недостатньо для наявності розуму». Не важко бачити, що його третя аксіома вже несе у собі 90% майже ідентичного їй висновку. Ось чому уявний експеримент Сірла спеціально придумано для того, щоб підкріпити третю аксіому. У цьому суть китайської кімнати.

Хоча приклад з китайською кімнатою робить аксіому 3 привабливою для непосвяченого, ми не думаємо, що він доводить справедливість цієї аксіоми, і щоб продемонструвати неспроможність цього прикладу, ми пропонуємо як ілюстрацію свій паралельний приклад. Часто один вдалий приклад, що спростовує твердження, що оспорюється, значно краще прояснює ситуацію, ніж ціла книгаповна логічного жонглювання.

В історії науки було багато прикладів скепсису, подібного до того, який ми бачимо в міркуваннях Сірла. У XVIII ст. ірландський єпископ Джордж Берклі вважав немислимим, щоб хвилі стиснення у повітрі власними силами могли бути сутністю звукових явищ чи чинником, достатнім їхнього існування. Англійський поеті художник Вільям Блейк і німецький поет-природовипробувач Йоган Ґете вважали немислимим, щоб маленькі частинки матерії самі по собі могли бути сутністю або фактором, достатнім для об'єктивного існування світла. Навіть у нинішньому столітті знаходилися люди, які не могли собі уявити, щоб нежива матерія сама по собі, незалежно від того, наскільки складна її організація, могла бути органічною сутністю чи достатньою умовою життя. Цілком очевидно те, що люди можуть або не можуть собі уявити, часто ніяк не пов'язане з тим, що насправді існує чи не існує насправді. Це справедливо, навіть коли йдеться про людей із дуже високим рівнем інтелекту.

Щоб побачити, яким чином ці історичні урокиможна застосувати до міркувань Сирла, застосуємо штучно вигадану паралель для його логіки і підкріпимо цю паралель уявним експериментом.

Аксіома 1. Електрика та магнетизм – це фізичні сили.

Аксіома 2. Істотна властивість світла – це свічення.

Аксіома 3. Сили власними силами з'являються сутністю ефекту світіння і недостатні для його наявності.

Висновок 1. Електрика і магнетизм є сутністю світла і недостатні для його наявності.

Припустимо, що це міркування було опубліковано незабаром після того, як Джеймс К. Максвеллу 1864 р. висловив припущення, що світло та електромагнітні хвилі ідентичні, але до того як у світі були повністю усвідомлені систематичні паралелі між властивостями світла та властивостями електромагнітних хвиль. Наведене вище логічне міркування могло здатися переконливим запереченням проти сміливої ​​гіпотези Максвелла, особливо якщо воно супроводжувалося наступним коментарем на підтримку аксіоми 3.

Розглянемо темну кімнату, в якій знаходиться людина, яка тримає в руках постійний магнітчи заряджений предмет. Якщо людина почне переміщати магніт вгору-вниз, то, згідно з теорією Максвелла про штучне освітлення (ІВ), від магніту виходить сфера електромагнітних хвиль, що поширюється, і в кімнаті стане світліше. Але, як добре відомо всім, хто пробував грати з магнітами або зарядженими кулями, їх сили (а якщо на те пішло, то й будь-які інші сили), навіть коли ці об'єкти починають рухатися, не створюють жодного світіння. Тому видається немислимим, щоб ми могли досягти реального ефекту свічення просто за рахунок маніпулювання силами!

Коливання електромагнітних силє світло, хоча магніт, який переміщає людина, не виробляє жодного світіння. Аналогічно маніпулювання символами відповідно до певних правил може бути розумом, хоча у заснованої на застосуванні правил системи, що знаходиться в «китайській кімнаті» Дж. Сірла, справжнє розуміння ніби відсутнє.

Що ж міг відповісти Максвелл, якби йому було кинуто цей виклик?

По-перше, він, можливо, став би наполягати на тому, що експеримент зі «світиться» кімнатою вводить нас в оману щодо властивостей видимого світла, тому що частота коливань магніту вкрай мала, менше, ніж потрібно, приблизно в 1015 разів. На це може бути нетерпляча відповідь, що частота тут не відіграє ніякої ролі, що кімната з магнітом, що коливається, вже містить все необхідне для прояву ефекту свічення в повній відповідності з теорією самого Максвелла.

В свою чергу Максвеллміг би «проковтнути приманку», заявивши цілком обґрунтовано, що кімната вже сповнена свічення, але природа і сила цього світіння такі, що людина не здатна її бачити. (Через низьку частоту, з якою людина рухає магнітом, довжина електромагнітних хвиль, що породжуються, занадто велика, а інтенсивність занадто мала, щоб око людини могло на них зреагувати.) Однак, враховуючи рівень розуміння цих явищ у аналізований період часу (60-і роки минулого століття), таке пояснення, ймовірно, викликало б сміх та знущальні репліки. «Квітка, що світиться! Але дозвольте, містере Максвелл, там же зовсім темно!

Отже, ми бачимо, що бідному Максвелладоводиться туго. Все, що він може зробити, це наполягати на наступних трьох положеннях. По-перше, аксіома 3 у наведеному вище міркуванні не вірна. Справді, незважаючи на те, що інтуїтивно вона виглядає досить правдоподібною, з її приводу ми маємо мимоволі питання. По-друге, експеримент із кімнатою, що світиться, не демонструє нам нічого цікавого щодо фізичної природисвітла. І по-третє, щоб насправді вирішити проблему світла та можливості штучного світіння, нам необхідна програма досліджень, яка дозволить встановити, чи справді за відповідних умов поведінка електромагнітних хвиль цілком ідентична поведінці світла. Така сама відповідь має дати класичний штучний інтелект на міркування Сірла. Хоча китайська кімната Сірла і може здатися «в семантичному сенсі темною», у нього немає достатніх підстав наполягати, що маніпулювання символами, що здійснюється за певними правилами, ніколи не зможе породити семантичних явищ, особливо якщо врахувати, що люди ще погано поінформовані і обмежені лише розумінням на рівні здорового глуздутих семантичних та розумових явищ, які потребують пояснення. Замість того, щоб скористатися розумінням цих речей, Сірл у своїх міркуваннях вільно користується відсутністю людей такого розуміння.

Висловивши свої критичні зауваженняз приводу міркувань Сірла, повернемося до питання про те, чи має програма класичного ІІ реальний шанс вирішити проблему свідомого розуму і створити машину, що мислить. Ми вважаємо, що перспективи тут не блискучі, проте наша думка ґрунтується на причинах, що докорінно відрізняються від тих аргументів, якими користується Сірл. Ми ґрунтуємося на конкретних невдачах дослідницької програми класичного ІІ та на низці уроків, що були подано нам біологічним мозком на прикладі нового класу обчислювальних моделей, в яких втілені деякі властивості його структури. Ми вже згадували про невдачі класичного ІІ під час вирішення тих завдань, які швидко та ефективно вирішуються мозком. Вчені поступово приходять до спільної думки про те, що ці невдачі пояснюються властивостями функціональної архітектури МС-машин, яка просто непридатна для вирішення складних завдань, що стоять перед нею.

Що нам потрібно знати, то це яким чином мозок досягає ефекту мислення? Зворотне конструювання є поширеним прийомом у техніці. Коли у продаж надходить якийсь новий технічний пристрій, конкуренти з'ясовують, яким чином він працює, розбираючи його на частини та намагаючись вгадати принцип, на якому він заснований. У разі мозку реалізація такого підходу виявляється надзвичайно важкою, оскільки мозок є найскладнішою річю на планеті. Проте нейрофізіологам вдалося розкрити багато властивостей мозку на різних структурних рівнях. Три анатомічні особливості відрізняють його від архітектури традиційних електронних комп'ютерів.

По перше, Нервова система - це паралельна машина, в тому сенсі, що сигнали обробляються одночасно на мільйонах різних шляхів. Наприклад, сітківка ока передає складний вхідний сигнал мозку не порціями по 8,16 або 32 елементи, як настільний комп'ютер, а у вигляді сигналу, що складається майже з мільйона окремих елементів, що прибувають одночасно до закінчення зорового нерва (зовнішнього колінчастого тіла), після чого вони також одночасно, одного прийому, обробляються мозком. По-друге, елементарний «процесорний пристрій» мозку, нейрон, відрізняється відносною простотою. Крім того, його відповідь на вхідний сигнал - аналоговий, а не цифровий, у тому сенсі, що частота вихідного сигналу змінюється безперервним чином, залежно від вхідних сигналів.

По-третє,у мозку, крім аксонів, які ведуть від однієї групи нейронів до іншої, ми часто знаходимо аксони, які ведуть у зворотному напрямку. Ці відростки, що повертаються, дозволяють мозку модулювати характер обробки сенсорної інформації. Ще важливіша та обставина, що завдяки їхньому існуванню мозок є справді динамічною системою, у якої безперервно підтримувана поведінка відрізняється як дуже високою складністю, так і відносною незалежністю від периферійних стимулів. Корисну роль вивчення механізмів роботи реальних нейронних мереж і обчислювальних властивостей паралельних архітектур значною мірою зіграли спрощені моделі мереж. Розглянемо, наприклад, тришарову модель, що складається з нейроноподібних елементів, що мають аксоноподібні зв'язки з елементами наступного рівня. Вхідний стимул досягає порогу активації даного вхідного елемента, що посилає сигнал пропорційної сили за своїм «аксоном» до численних «синаптичних» закінчень елементів прихованого шару. Загальний ефект полягає в тому, що та чи інша конфігурація сигналів активують на безлічі вхідних елементів породжує певну конфігурацію сигналів на безлічі прихованих елементів.

Те саме можна сказати і про вихідні елементи. Аналогічно конфігурація активуючих сигналів на зрізі прихованого шару призводить до певної картини активації на зрізі вихідних елементів. Підсумовуючи, можна сказати, що мережа є пристроєм для перетворення будь-якої великої кількості можливих вхідних векторів (конфігурацій активуючих сигналів) в однозначно відповідний йому вихідний вектор. Цей пристрій призначений для обчислення специфічних функцій. Те, яку саме функцію воно обчислює, залежить від глобальної зміни синаптичної вагової структури.

Нейронні мережі моделюють головну властивість мікроструктури мозку. У цій тришаровій мережі вхідні нейрони (ліворуч внизу) обробляють конфігурацію активуючих сигналів (праворуч внизу) і передають їх по зваженим зв'язкам прихованого шару. Елементи прихованого шару підсумовують численні входи, утворюючи нову конфігурацію сигналів. Вона передається зовнішньому шару, що виконує подальші перетворення. В цілому мережа перетворює будь-який вхідний набір сигналів у відповідний вихід, залежно від розташування та порівняльної сили зв'язків між нейронами.

Існують різноманітні процедури для підбору терезів, завдяки яким можна зробити мережу, здатну обчислити майже будь-яку функцію (тобто будь-яке перетворення між векторами). Фактично в мережі можна реалізувати функцію, яку навіть не можна сформулювати, достатньо лише дати їй набір прикладів, що показують, які лари входу та виходу ми хотіли б мати. Цей процес, званий «навчанням мережі», здійснюється шляхом послідовного підбору терезів, що привласнюються зв'язкам, який триває доти, доки мережа не почне виконувати бажані перетворення з входом, щоб отримати потрібний вихід.

Хоча ця модель мережі надзвичайно спрощує структуру мозку, вона все ж таки ілюструє кілька важливих аспектів. По-перше, паралельна архітектура забезпечує колосальну перевагу в швидкодії в порівнянні з традиційним комп'ютером, оскільки численні синапси на кожному рівні виконують безліч дрібних обчислювальних операцій одночасно замість того, щоб діяти в дуже трудомісткому послідовному режимі. Ця перевага стає все більш значною, у міру того, як зростає кількість нейронів на кожному рівні. Вражаюче, але швидкість обробки інформації зовсім не залежить ні від числа елементів, що беруть участь у процесі на кожному рівні, ні від складності функції, яку вони обчислюють. Кожен рівень може мати чотири елементи чи сотню мільйонів; конфігурація синаптичних терезів може обчислювати прості однорозрядні суми або вирішувати диференціальні рівняння другого порядку. Це не має значення. Час обчислень буде абсолютно одним і тим самим.

По-друге,паралельний характер системи робить її нечутливою до дрібних помилок та надає їй функціональної стійкості; втрата кількох зв'язків, навіть помітної їх кількості, зневажливо мало впливає на загальний хід перетворення, що виконується частиною мережі.

По-третє,паралельна система запам'ятовує велика кількістьінформації у розподіленому вигляді, при цьому забезпечується доступ до будь-якого фрагмента цієї інформації за час, що вимірюється кількома мілісекундами. Інформація зберігається як певних змін ваг окремих синаптичних зв'язків, сформованих у процесі попереднього навчання. Потрібна інформація «вивільняється» у міру того, як вхідний вектор проходить через (і перетворюється) цю конфігурацію зв'язків.

Паралельна обробка даних є ідеальним засобом всім видів обчислень. При вирішенні завдань з невеликим вхідним вектором, але вимагають багатьох мільйонів рекурсивних обчислень, що швидко повторюються, мозок виявляється абсолютно безпорадним, у той час як класичні МС-машини демонструють свої найкращі можливості. Це дуже великий і важливий клас обчислень, тому класичні машини будуть завжди потрібні і навіть необхідні. Однак існує не менш широкий клас обчислень, для яких архітектура мозку є найкращим технічним рішенням. Це переважно ті обчислення, із якими зазвичай зіштовхуються живі організми: розпізнавання контурів хижака в «шумному» середовищі; миттєве згадування правильної реакції на його пильний погляд, спосіб втечі при його наближенні або захист при його нападі; проведення відмінностей між їстівними та неїстівними речами, між статевими партнерами та іншими тваринами; вибір поведінки у складній і постійно змінюваній фізичній або соціальному середовищі; і т.д.

Зрештою, дуже важливо зауважити, що описана паралельна система не маніпулює символами відповідно до структурних правил. Швидше маніпулювання символами є лише однією з багатьох інших «інтелектуальних» навичок, яким мережа може навчитися чи навчитися. Кероване правилами маніпулювання символами перестав бути основним способом функціонування мережі. Міркування Сірла спрямоване проти керованих правил МС-машин; системи перетворення векторів того типу, який ми описали, таким чином, випадають із сфери застосування його аргументу з китайською кімнатою, навіть якби він був спроможний, у чому ми маємо інші, незалежні причини сумніватися.

Сірлу відомо про паралельні процесори, але, на його думку, вони будуть також позбавлені реального семантичного змісту. Щоб проілюструвати їхню неминучу неповноцінність у цьому відношенні, він описує другий уявний експеримент, цього разу з китайським спортивним залом, який наповнений людьми, організованими в паралельну мережу. Подальший хідйого міркувань аналогічний міркуванням у випадку з китайською кімнатою.

На наш погляд, цей другий приклад не такий вдалий та переконливий, як перший. Насамперед та обставина, що жоден елемент у системі не розуміє китайської мови, не відіграє жодної ролі, тому що те саме справедливо і по відношенню до нервової системилюдини: жоден нейрон мого мозку не розуміє англійської мовихоча мозок як ціле розуміє. Далі Сірл не згадує про те, що його модель (по одній людині на кожен нейрон плюс по швидконого хлопчику на кожну синаптичну зв'язок) вимагала б принаймні 1014 чоловік, тому що людський мозок містить 1011 нейронів, кожен з яких має в середньому 103 зв'язків . Таким чином, його система вимагатиме населення 10 000 світів, таких як наша Земля. Очевидно, що спортивний зал далеко не в змозі вмістити більш менш адекватну модель.

З іншого боку, якщо таку систему все ж таки вдалося б зібрати, у відповідних космічних масштабах, З усіма точно змодельованими зв'язками, у нас вийшов би величезний, повільний, дивної конструкції, але все ж таки функціонуючий мозок. У цьому випадку, звичайно, природно очікувати, що при правильному вході він мислитиме, а не навпаки, що він на це не здатний. Не можна гарантувати, що робота такої системи буде справжнім мисленням, оскільки теорія векторної обробки може неадекватно відображати роботу мозку. Але так само у нас немає жодної апріорної гарантії, що вона не думатиме. Сірл ще раз помилково ототожнює сьогоднішні межі своєї (чи читацької) уяви з межами об'єктивної реальності.

Мозок

Мозок є своєрідним комп'ютером, хоча більшість його властивостей поки що залишається непізнаним. Охарактеризувати мозок як комп'ютер далеко не просто, і такі спроби не слід вважати зайвою вільністю. Мозок дійсно обчислює функції, але не такі, як у прикладних завданнях, які вирішуються класичним штучним інтелектом. Коли ми говоримо про машину як про комп'ютер, ми не маємо на увазі послідовний цифровий комп'ютер, який потрібно запрограмувати та якому властиво чіткий поділ на програмну частину та апаратну; ми не маємо також на увазі, що цей комп'ютер маніпулює символами або дотримується певних правил. Мозок - це комп'ютер принципово іншого виду.

Як мозок вловлює смисловий зміст інформації, поки що не відомо, проте ясно, що ця проблема виходить далеко за рамки лінгвістики і не обмежується людиною як видом. Маленька купка свіжої землі означає як для людини, так і для кайота, що десь поблизу знаходиться ховрах; луна з певними спектральними характеристиками означає для кажанівприсутність метелика. Щоб розробити теорію формування змістового змісту, ми повинні більше знати про те, як нейрони кодують та перетворюють сенсорні сигнали, про нейронну основу пам'яті, про навчання та емоції та про зв'язок між цими факторами та моторною системою. Заснована на нейрофізіології теорія розуміння сенсу може вимагати навіть наших інтуїтивних уявлень, які зараз здаються нам такими непорушними і якими так вільно користується Сірл у своїх міркуваннях. Подібні перегляди – не рідкість в історії науки.

Чи здатна наука створити штучний інтелект, скориставшись тим, що відомо про нервову систему? Ми бачимо цьому шляху принципових перешкод. Сірл нібито погоджується, але з застереженням: «Будь-яка інша система, здатна породжувати розум, повинна мати каузальні властивості (принаймні), еквівалентні відповідним властивостям мозку». На завершення статті ми розглянемо це твердження. Вважаємо, що Сірл не стверджує, ніби успішна система штучного інтелекту повинна неодмінно мати всі каузальні властивості мозку, такі як здатність відчувати запах гниючого, здатність бути носієм вірусів, здатність фарбуватися в жовтий колірпід дією пероксидази хрону звичайного і т. д. Вимагати повної відповідності буде однаково, що вимагати від штучного літального апарату здатності нести яйця.

Ймовірно, він мав на увазі лише вимогу, щоб штучний розуммав усі каузальні властивості, що відносяться, як він висловився, до свідомого розуму. Проте якими саме? І ось ми знову повертаємося до суперечки про те, що відноситься до свідомого розуму, а що не стосується. Тут саме місце посперечатися, проте істину в даному випадку слід з'ясовувати емпіричним шляхом - спробувати і подивитися, що вийде. Оскільки нам так мало відомо про те, в чому саме полягає процес мислення та семантика, то будь-яка впевненість щодо того, які властивості тут суттєві, була б передчасною. Сірл кілька разів натякає, що кожен рівень, включаючи біохімічний, має бути представлений у будь-якій машині, яка претендує на штучний інтелект. Очевидно, це надто сильна вимога. Штучний мозок може і не користуючись біохімічними механізмами, досягти такого ж ефекту.

Ця можливість була продемонстрована у дослідженнях К.Міда у Каліфорнійському технологічному інституті. Мід та його колеги скористалися аналоговими мікроелектронними пристроями для створення штучної сітківки та штучного равлика вуха. (У тварин сітківка і равлик не є просто перетворювачами: в обох системах відбувається складна паралельна обробка даних.) Ці пристрої вже не прості моделі в мінікомп'ютері, з якого посміюється Сірл; вони є реальними елементами обробки інформації, що реагують на реальний часна реальні сигнали: світло - у разі сітківки та звук - у разі равлика вуха. Схеми пристроїв засновані на відомих анатомічних та фізіологічних властивостях сітківки кішки та вушного равлика сипухи, і їх вихід надзвичайно близький до відомих виходів органів, які вони моделюють.

У цих мікросхемах не використовуються жодні нейромедіатори, отже нейромедіатори, судячи з усього, не є необхідними для досягнення бажаних результатів. Звичайно, ми не можемо сказати, що штучна сітківка бачить щось, оскільки її вихід не надходить на штучний таламус або кору мозку і т. д. У нас немає свідчень, що відсутність у системі біохімічних механізмів робить цей підхід нереалістичним.

Нервова система охоплює іншого масштабів організації, від молекул нейромедіаторів (внизу) до всього головного і спинного мозку. На проміжних рівнях знаходяться окремі нейрони і нейронні ланцюги, подібні до тих, що реалізують вибірковість сприйняття зорових стимулів (в центрі), і системи, що складаються з багатьох ланцюгів, подібних до тих, що обслуговують функції мови (праворуч вгорі). Тільки шляхом досліджень можна встановити, наскільки близько штучна система здатна відтворювати біологічні системи, які мають розум.

Як і Сірл, ми відкидаємо тест Тьюринга як достатній критерій наявності свідомого розуму. На одному рівні підстави для цього у нас подібні: ми згодні, що дуже важливо, як реалізується функція, визначена по входу-виходу; важливо, щоб у машині відбувалися правильні процеси. На іншому рівні ми керуємося зовсім іншими міркуваннями. Свою позицію щодо присутності чи відсутності семантичного змісту Сірл ґрунтується на інтуїтивних уявленнях здорового глузду. Наша точка зору заснована на конкретних невдачах класичних МС-машин і конкретних переваг машин, архітектура яких ближче до пристрою мозку. Зіставлення цих різних типівмашин показує, що одні обчислювальні стратегії мають величезну і вирішальну перевагу над іншими в тому, що стосується типових завданьрозумової діяльності. Ці переваги, встановлені емпірично, не викликають жодних сумнівів. Очевидно, мозок систематично користується цими обчислювальними перевагами. Однак він абсолютно не обов'язково є єдиним фізичною системою, здатної ними користуватися. Ідея створення штучного інтелекту в небіологічній, але істотно паралельній машині залишається дуже привабливою і достатньо перспективною.

Штучний інтелект – це сфера науки, яка розробляє машини, комп'ютери та апаратне забезпечення з інтелектом, від найпростішого до людиноподібного. Хоча концепція розумних машин зародилася ще в давньогрецької міфології, сучасна історіяштучного інтелекту розпочалася з розвитку ЕОМ. Термін був придуманий у 1956 році на першій конференції, присвяченій штучному інтелекту.

Через десятиліття вчені продовжують вивчати все ще невловимі проблиски машинного інтелекту, хоча питання «Чи може машина думати?». все ще викликає найширші дебати.

Варто відзначити, що всупереч поширеній думці, не всі носії штучного інтелекту є людиноподібними роботами або фантастичними операційними системами з голосом Скарлетт Йохансон. Давайте пройдемося за основними навичками, властивими ІІ.

Вирішення проблем

Однією з базових якостей ІІ є здатність вирішувати проблеми. Щоб надати машині таку можливість, вчені оснастили її алгоритмами, які імітують людське мисленняі використовують поняття ймовірності, економіки та статистики.

Підходи включають моделі, натхненні нейронними мережамимозку, можливостями машинного навчання та розпізнавання образів, а також статистичними підходами, які використовують математичні інструменти та мови для вирішення проблем.

Машинне навчання

Інший базовий пункт ІІ – це здатність машини навчатися. Поки немає жодного підходу, згідно з яким комп'ютер можна запрограмувати на отримання інформації, отримання знань та припасування поведінки відповідно до цього - швидше, є низка підходів, заснованих на алгоритмах.

Один із важливих методів машинного навчання – це так зване глибоке навчання, метод ІІ, заснований на нейронній теорії та що складається із заплутаних верств взаємопов'язаних вузлів. У той час як Siri від Apple є одним із прикладів глибокого навчання в дії, нещодавно Google придбала стартап DeepMind, який спеціалізується на передових алгоритмах навчання штучного інтелекту; Netflix також інвестує у глибоке навчання.

Обробка мови

Обробка природної мови (Natural Language Processing, NLP) дає машині можливість читати та розуміти мову людей, забезпечуючи зв'язок між людиною та машиною.

Такі системи дозволяють комп'ютерам переклади та комунікативні здібностічерез обробку сигналів, синтаксичний аналіз, семантичний аналіз та прагматику (мова в контексті)

Рух та сприйняття

Тип інтелекту, що з рухом і сприйняттям, тісно пов'язані з робототехнікою, дає машині як когнітивний, а й чуттєвий інтелект. Це стає можливим завдяки навігаційному вводу, технології локалізації та сенсорам на кшталт камери, мікрофонів, сонарів та розпізнавання об'єктів. За Останніми рокамими бачили ці технології вже у багатьох роботів, океанічних та космічних роверів.

Соціальний інтелект

Емоційні та соціальні навички є ще одним просунутим рівнем штучного інтелекту, який дозволяє машині приймати ще більше людських якостей. Компанія SEMAINE, наприклад, прагне дати машинам такі соціальні навички через щось, що називає SAL, або «штучний чуттєвий слухач». Це передова діалогова система, якщо її вдасться закінчити, зможе сприймати вираз обличчя, погляд і голос людини, підлаштовуючись відповідним чином.

Творчість

Здатність думати та діяти творчо – це відмінна людська риса, яку багато хто розглядає вище здібностей комп'ютерів. Однак як аспект людського інтелекту творчість може бути застосована і до штучного інтелекту.

Кажуть, що машинам можна дати можливість видавати цінні та новаторські ідеї завдяки трьом моделям: комбінаційній, розвідувальній та трансформаційній. Як саме це буде реалізовано – побачимо у майбутньому. Зрештою, машина AARON вже виробляє витвори мистецтва музейного рівня.

Імпровізація як вид людської діяльності– це «прототип творчої поведінки», вважає співробітниця кафедри психології Гарвардського університетуШеллі Карсон.

У своїй книзі Your Creative Brain вона пише, що на базовому рівні кожен з нас імпровізує, оскільки в житті багато ситуацій, що вимагають цього. Наприклад, на дорозі потрібно миттєво ухвалити єдине правильне рішення, щоб уникнути зіткнення. При цьому людина звертається до наявного у неї досвіду. Але творча імпровізація - це більше, вона генерує нові несподівані ідеї.

Картина Аарона Робот AARON створений відомим художником Горальдом Коеном. Його винахід на найнижчому рівні обчислював алгоритми для створення ліній та форм, з яких виходили малюнки. Пізніше було створено більш просунутий робот-художник на ім'я Action Jackson

, що писав картини, схожі на твори Джексона Поллока І хоча суперечки про художню цінність таких робіт не вщухають досі, факт залишається фактом - роботи можуть творити. Більше того, деякісучасні форми