Искусственный разум: когда машины начнут думать, как люди

Сможет ли компьютер научиться думать, как человек? Этот вопрос возник одновременно с появлением первых вычислительных машин. В поиске ответа на него в 1950 английский ученый-математик Алан Тьюринг предложил критерий, позволяющий судить о том, что компьютер по своим мыслительным способностям сравнялся с человеком. Этот критерий известен как «тест Тьюринга»: суть в том, что машина должна ответить на произвольные вопросы собеседника-человека таким образом, чтобы человек не понял, что общается с машиной. Формально тест Тьюринга считается пройденным, — правда, на довольно примитивном уровне сложности. Мыслить, как человек, компьютер пока что не умеет. Однако современный уровень технологических и вычислительных возможностей позволяет ему за считанные секунды обрабатывать и анализировать колоссальные объемы информации, обучаться на похожих данных, выявляя закономерности и обобщая полученные результаты. Это дает возможность решать конкретные практические задачи на уровне, все более близком к человеческому. Что умеет ИИ Хороший пример такой задачи — перевод текста с иностранного языка. С теоретической точки зрения эта задача во многом идентична оригинальному тесту Тьюринга. По мнению лингвистов, одна из функций языка — распознавание принадлежности собеседника к своей группе (именно этим объясняется изобилие местных диалектов, молодежных и профессиональных жаргонов). Если компьютер предложит перевод, неотличимый от речи носителя языка, то носитель наверняка признает в нем члена своей группы, то есть как минимум человека. Два года назад компания Google почти полностью перевела свой сервис Google Translate на глубокое обучение (Deep Learning). В отличие от предыдущего поколения систем машинного перевода, которые в основном переводили отдельные слова и фразы, современные нейросети рассматривают предложение целиком, что позволяет переводить его не по значению, а по смыслу. Бурный рост объемов данных, в сборе которых участвуют многочисленные умные устройства Интернета вещей (IoT), развитие многослойных нейронных сетей, алгоритмы Deep Learning и другие технологические возможности научили обычные компьютеры и мобильные устройства не только читать, слышать, видеть и понимать информацию, но и выполнять сложные задачи на таком же уровне, на котором их бы выполнил и человек. Соответственно, в разы вырос и объем инвестиций в технологии Искусственного интеллекта. Так, по данным Venture Scanner, в 2007 году он составлял всего $500 млн, а в 2017 году — уже свыше $6 млрд. Доходы от внедрения систем искусственного интеллекта, согласно данным Gartner, в 2018 году составят $1,2 трлн долларов, что на 70% выше, чем в 2017 году. А к 2022 году их объем увеличится до $3,9 трлн. Microsoft Bing в 2018 году практически безошибочно предсказал всех лауреатов премии «Оскар», просчитавшись всего в одном случае Искусственный интеллект уже активно применяется во множестве отраслей. Например, компания Samsung разработала систему внутриигровой контекстной рекламы Gadget, в которой объявления не всплывают в виде раздражающих пользователя отдельных сообщений, а плавно встраиваются в игровой процесс. При этом тематика рекламы постоянно меняется в соответствии с предпочтениями геймера. На блокчейне разработана платформа Effect.Ai, которая будет связывать поставщиков и потребителей различных услуг напрямую, без посредников. Искусственный интеллект научился обыгрывать человека в покер и в Dota 2. Принадлежащая Google компания DeepMind, которой уже удалось создать искусственный интеллект, выигравший у чемпиона мира по игре «го», сегодня разрабатывает алгоритмы, способные победить человека в игре StarCraft 2. Системы прогнозирования на базе ИИ все шире применяются в спорте и шоу-бизнесе. Так, искусственный интеллект Microsoft Bing в 2018 году практически безошибочно предсказал всех лауреатов премии «Оскар», просчитавшись всего в одном случае. Неплохие достижения у ИИ в медицине. Появились системы, позволяющие на ранних стадиях диагностировать онкологические заболевания кожи, а также выявлять нарушения в работе сердца по ЭКГ с большей эффективностью, чем кардиолог. В Китае на базе ИИ реализован проект социальной направленности: разработчики создали систему, которая анализировала поведение пользователей в соцсетях и выявляла среди них тех, у кого были суицидальные наклонности, с целью оказать им своевременную психологическую помощь. На сегодняшний день с ее помощью удалось спасти уже более 20 000 человек. Нейронные сети уже называют Software 2.0. В отличие от классического подхода к разработке (Software 1.0), они не требуют написания пошаговых инструкций для компьютера. Достаточно указать конечную цель, — например, выиграть в го, — а также задать структуру сети и сигналы для обучения. Далее нейросеть сможет выучить необходимые зависимости в данных для решения задачи, используя имеющиеся в ее распоряжении вычислительные ресурсы. Чего не умеет ИИ Что искусственный интеллект пока не умеет делать? В первую очередь, это задачи, где сложно принять однозначное решение, где требуется контекстуальный подход в зависимости от условий и ситуации. ИИ не сможет самостоятельно осуществить научное открытие. Одним словом везде, где нужен полноценный анализ ситуации, а не просто принятие решения, основанного на обучающей выборке данных, пальма первенства будет за человеком. Конечно, технологии ИИ находятся на пике «хайпа», однако нельзя не отметить определенные проблемы, риски и нерешенные задачи, связанные с ними. В первую очередь это, конечно, качество данных. Ведь оно напрямую зависит от того, что мы предоставляем машине в качестве обучающей выборки. С 2009 года автомобили Google наездили в беспилотном режиме 3,7 млн километров на дорогах общественного пользования Хороший пример — разработка беспилотных автомобилей. По сути здесь практически всегда используется метод supervised learning (обучение путем проб и ошибок). К примеру, компания Google потратила не один год на то, чтобы получить достаточный объем данных и учесть все нюансы беспилотной езды. С 2009 года автомобили Google наездили в беспилотном режиме 3,7 млн километров на дорогах общественного пользования и тестовых полигонах в Калифорнии, Аризоне, Техасе и Вашингтоне, а также более 1,6 млрд километров в режиме компьютерной симуляции. От качества этой работы зависит, насколько грамотно будет ориентироваться автомобиль без водителя на дороге, определять других участников дорожного движения, распознавать объекты на дороге, правильно реагировать на различные ситуации и т.д. Еще один серьезный недостаток, или, скорее, ограничение технологии искусственного интеллекта заключается в узком спектре применения каждого алгоритма. Для каждой отдельной операции или бизнес-процесса систему искусственного интеллекта приходится очень серьезно дорабатывать. Вряд ли под новую задачу получится адаптировать уже существующую нейросеть, пусть даже специализирующуюся на смежных задачах, поскольку данные будут отличаться. В большинстве случаев изменения будут весьма значительны. Например, сложно будет разработать на базе AI-системы беспилотного автомобиля систему управления беспилотным речным или морским катером. Это ключевая проблема так называемого «слабого» искусственного интеллекта, заточенного под решение конкретной задачи. В свою очередь «сильный» искусственный интеллект, практическая реализация которого — вопрос будущего, должен уметь не просто алгоритмически оперировать данными и информацией, но понимать их смысл. Например, искусственный интеллект не умеет читать комиксы, не способен сопоставить все картинки с текстом в правильном порядке в соответствии с сюжетом, а с этой задачей справляются даже маленькие дети. Одним из важных шагов в сторону «сильного» ИИ можно назвать разработку капсульных нейронных сетей. Они обрабатывают информацию так, как это делает человеческий мозг, при этом не нуждаются в больших объемах данных для обучающих моделей. Кто несет ответственность за решения, принятые искусственным интеллектом? Банк может заблокировать важную финансовую транзакцию, беспилотный автомобиль может сбить человека, не заметив его либо приняв за какой-то другой объект. Искусственный интеллект, управляющий системой банковского кредитного скоринга, чаще «отказывает» чернокожим заявителям, чем белым, в получении кредита. Системы распознавания лиц, которые используют в том числе и правоохранительные органы, неплохо различают белых людей, но часто ошибаются при обработке образов чернокожих, особенно женщин. Так, при распознавании лиц темнокожих женщин коммерческие системы ошибаются почти в 35% случаев. Если раньше в основе таких инцидентов был человеческий фактор, то сейчас это bias (искажение) в данных. Нейросеть Deep Dream решила, что рука — это неотъемлемая часть гантели Разумеется, это временные проблемы, которые можно решить предоставив системе более совершенную обучающую выборку данных. Над этим сегодня и трудятся разработчики. В автомобильной индустрии чаще всего отвечать приходится не разработчику AI-системы, а производителю транспортного средства, который установил ее на свою продукцию. Но в большинстве случаев бремя ответственности лежит и на разработчике, и на заказчике. В отличие от обычных систем, работающих в строгом соответствии с программным кодом, который можно проверить на ошибки, модифицировать и т.д., мы не всегда можем заранее предсказать, какой результат нам дадут многослойные нейронные сети и системы глубокого обучения после обработки того или иного массива данных. Так, нейросеть Deep Dream компании Google попросили генерировать изображение гантели. Система справилась с задачей, однако ко всем полученным изображениям гантели была добавлена и рука человека. Иными словами, нейросеть решила, что рука — это неотъемлемая часть гантели. И все же технологии искусственного интеллекта уже сегодня в ряде случаев облегчают жизнь обычных людей и помогают компаниям в решении множества задач. Несмотря на существующие особенности и «подводные камни», системы на базе AI привлекают заказчиков, в том числе из крупного бизнеса. А многократно растущий с каждым годом объем инвестиций дает основания надеяться на существенный технологический рывок уже в ближайшем будущем.