{"id":13592,"url":"\/distributions\/13592\/click?bit=1&hash=614144bb31dcda2de138a71c12a8b5f1c2d6612f2981479b7bf423e4bc53c03e","title":"\u041a\u0430\u043a \u043f\u043e\u043f\u0430\u0441\u0442\u044c \u0432 \u0435\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0435 \u043c\u0435\u0441\u0442\u043e \u0432 \u0420\u043e\u0441\u0441\u0438\u0438 \u0441 \u0447\u0430\u0439\u043d\u044b\u043c\u0438 \u043f\u043b\u0430\u043d\u0442\u0430\u0446\u0438\u044f\u043c\u0438","buttonText":"\u0423\u0437\u043d\u0430\u0442\u044c","imageUuid":"d85f2cfe-e0d7-5ad7-8507-983bc3b55643","isPaidAndBannersEnabled":false}

«Искусственный интеллект не станет по-настоящему "умным", пока не поймёт причинно-следственных связей» Статьи редакции

Перевод материала Брайана Бергштейна из MIT Technology Review — о том, что не умеет ИИ и кто пытается это исправить.

Искусственному интеллекту не стать умнее, пока он не поймёт концепт причинно-следственных связей. Это даже не всем людям дано.

Всего за несколько лет компьютеры научились диагностировать заболевания, переводить тексты и расшифровывать речь. Они выигрывают у людей в сложных стратегических играх, создают фотореалистичные изображения и заканчивают за человека предложения в письмах. Однако несмотря на эти достижения, у искусственного интеллекта есть недостатки.

Системы машинного обучения легко обмануть или сбить с толку незнакомыми сценариями. Алгоритм беспилотного автомобиля не знает, как реагировать на вещи, с которыми водитель-человек легко справится. ИИ, который обучали выполнять определённую задачу (например, различать кошек), необходимо обучить выполнению другой задачи (различать собак) заново.

Причём ИИ может потерять часть знаний, которые он получил. Учёные-программисты называют эту проблему «катастрофической забывчивостью».

Все недостатки ИИ существуют потому, что искусственный интеллект не понимает причинно-следственных связей. Система видит, что одни вещи связаны с другими, но не понимает, что одни вещи непосредственно вызывают другие. Как если бы вы знали, что если небо затянуто тучами, с большей вероятностью пойдёт дождь, но не понимали, что именно из туч идёт дождь.

«Понимание причинно-следственных связей — важный аспект того, что человечество называет здравым смыслом, и это область, в которой системы искусственного интеллекта сегодня “невежественны”», — говорит Элиас Барейнбойм.

Его утверждению можно доверять: как директор новой лаборатории причинно-следственных связей искусственного интеллекта (Causal Artificial Intelligence Lab) Колумбийского университета, он находится в эпицентре решения этой проблемы.

Его идея в том, чтобы обогатить исследования в области искусственного интеллекта знаниями из относительно новой науки причинно-следственных связей — области, в огромной степени сформированной Джудой Перлом, лауреатом премии Тьюринга.

Как утверждают Барейнбойм и Перл, способность ИИ выявлять корреляции, например, то, что появление туч делает вероятность дождя выше, — простейший уровень понимания причинно-следственных связей. Но его оказалось достаточно, чтобы за последнее десятилетие произошёл бум технологий искусственного интеллекта на основе глубокого обучения.

Учитывая большое количество данных об известных ситуациях, с помощью этого метода можно делать вполне надёжные прогнозы. Компьютер может вычислить вероятность, есть ли у пациента с определёнными симптомами то или иное заболевание, потому что знает, как часто тысячи людей с такими же симптомами заболевали.

Но всё больше учёных сходятся во мнении, что прогресс ИИ замедлится, если компьютеры не станут лучше понимать причинно-следственные связи. Если бы машины могли понять, что одни вещи могут вызывать другие, им не пришлось бы всё время учиться заново — они могли бы просто взять то, что узнали в одной области, и применить это в другой.

А если бы компьютеры могли пользоваться здравым смыслом, мы могли бы больше доверять различные задачи и не переживать, что те совершат ошибки.

Современный ИИ весьма ограничен в понимании результата того или иного действия. В системе обучения с подкреплением сигналами от среды взаимодействия технике, которая позволила компьютерам овладеть шахматами и го, система широко использует метод проб и ошибок для определения, какие ходы приведут к победе.

Но в реальном мире с неидеальными условиями такой подход не работает, компьютер не может даже в общих чертах понять, как играть в другие игры.

Ещё более высокий уровень причинно-следственного мышления — способность рассуждать, почему что-либо произошло, а также задавать вопрос «А что, если...»

Например, пациент умирает во время клинических испытаний. Это вина экспериментального лекарства или нет? Средние результаты школьных экзаменов становятся хуже. Какие реформы улучшат их? Такого рода рассуждения выходят далеко за рамки современных возможностей искусственного интеллекта.

Совершать чудеса

Мечта наделить компьютеры причинно-следственным мышлением заставила Барейнбойма переехать в США из Бразилии в 2008 году, после получения им степени магистра компьютерных наук в Федеральном университете Рио-де-Жанейро. Он ухватился за возможность учиться у Джуды Перла, специалиста в области компьютерных наук и статистики Калифорнийского университета в Лос-Анджелесе.

Перлу 83 года, и он гигант науки причинно-следственных связей. Его карьера помогает понять, почему так трудно создать искусственный интеллект, который мыслит категориями причины и следствия.

Даже квалифицированные учёные склонны принимать взаимосвязь за причинно-следственную связь или, наоборот, не решаться признавать причинно-следственную связь даже тогда, когда она очевидна.

Например, в 1950-е годы несколько именитых статистиков не признавали, что табак вызывает рак. Они утверждали, что без эксперимента, в котором людям случайно будут предписаны роли курильщиков и некурящих, нельзя исключить возможность того, что некий стресс или, возможно, ген, приводит как к курению, так и к раку лёгких.

В конце концов, тот факт, что курение вызывает рак, был окончательно доказан, но это не должно было занимать столько времени. С тех пор Перл и другие статистики разработали математический подход к определению того, какие факты потребуются, чтобы обосновать причинно-следственную связь.

Метод Перла показывает, что, учитывая частоту заболевания курильщиков раком лёгких, существование независимого фактора, который вызывает и то, и другое, крайне маловероятно.

Метод Перла также помогает определить, когда корреляцию нельзя использовать для оправдания наличия причинно-следственной связи. Бернхард Шелкопф, исследующий технологии развития причинно-следственной связи в ИИ на должности директора немецкого Института интеллектуальных систем имени Макса Планка, указывает, что рождаемость в стране можно предсказать, если знать популяцию аистов в этой стране.

Это можно сделать не потому, что аисты приносят детей или дети привлекают в страну аистов, но вероятно потому, что экономическое развитие приводит к появлению большего числа и детей, и аистов. По словам Шелкопфа, Перл помог дать статистикам и специалистам в области компьютерных технологий способы решения подобных проблем.

Исследования Перла также привели к разработке каузальных Байесовых сетей — программного обеспечения, которое обрабатывает большие объёмы данных, чтобы найти переменные, которые, скорее всего, оказывают наибольшее влияние на другие переменные.

Компания GNS Healthcare из Кембриджа, штат Массачусетс, использует этот метод для консультирования исследователей по экспериментам, которые выглядят многообещающими. GNS работала вместе с исследователями над одним проектом по изучению множественной миеломы, разновидности рака крови.

Ученые хотели выяснить, почему некоторые пациенты с этим диагнозом живут дольше других после пересадки им стволовых клеток. Программа обработала данные с 30 тысячами переменных и указала на некоторые из них, которые казались наиболее вероятными кандидатами на наличие причинно-следственной связи.

Биостатистики и эксперты в области миеломы в итоге остановились на одном: уровне определённого белка в организме пациента. После этого исследователи смогли запустить узконаправленное клиническое испытание, чтобы определить, действительно ли пациенты с этим белком в теле получают больше пользы от лечения.

«Это намного быстрее, чем сидеть и гадать в лаборатории», — говорит соучредитель GNS Ия Халил.

Тем не менее прогресс, которого Перл и другие учёные достигли в теории причины и следствия, ещё не принёс значительных успехов в методах глубокого обучения, которые выявляют взаимозависимость, но не видят причинно-следственной связи. Барейнбойм работает над следующим этапом: сделать компьютеры более полезными инструментами для исследования причинно-следственных связей у людей.

Одна из разработанных им систем, которая сейчас находится в бета-версии, может помочь учёным определить, достаточно ли у них данных, чтобы ответить на каузальный вопрос. Ричард МакЭлрет, антрополог Института эволюционной антропологии имени Макса Планка, использует эту программу для исследования причин менопаузы у человека (это единственный примат, у которых она присутствует).

Гипотеза заключается в том, что снижение рождаемости у пожилых женщин принесло пользу ранним человеческим обществам, потому что женщины, которые прикладывали больше усилий для ухода за внуками, в конечном счёте, имели больше потомков.

Но какие сегодня могут быть доказательства утверждения о том, что детям полезнее находиться в окружении бабушек и дедушек? Антропологи не могут просто сравнить достижения в области образования или здоровья детей, которые жили с бабушками и дедушками, с теми, кто рос без них.

Вмешиваются факторы, которые специалисты по статистике называют «вмешивающимися»: бабушки, возможно, с большей вероятностью живут с внуками, которым больше всего нужна помощь.

Программа Барейнбойма может помочь МакЭлрету различить, в каких исследованиях о детях, выросших с бабушками и дедушками, вмешивающиеся факторы присутствуют в меньшей степени, а значит — поможет ответить на его каузальный вопрос.

Финишная прямая

Барейнбойм говорит быстро и часто взмахивает двумя руками, словно пытается уравновесить две стороны мысленного аргумента. Я приехал к нему в Колумбийский университет в октябре, в середине семестра, но казалось, что он только что переехал в свой кабинет: стены почти пустые, на полках совсем немного книг, только изящный Mac и белая доска, вся исписанная уравнениями и диаграммами, напоминающая деталь из мультфильма о сумасшедшем профессоре.

Он отмахнулся от вопроса о необжитости кабинета, сказав, что был очень занят, рассказывая об обеих сторонах революции в науке о причине и следствии. Барейнбойм считает, что его работа дает возможность не только научить причинно-следственному мышлению машины, но и усовершенствовать его у людей.

Заставить людей внимательнее задумываться о причинно-следственных связях ненамного легче, чем обучить машины мыслить причинно, утверждает он. Исследователи во многих областях, от молекулярной биологии до государственной политики, иногда довольствуются корреляциями, в основе которых отсутствует причинно-следственная связь.

Например, некоторые исследования предполагают, что употребление алкоголя убьёт человека раньше времени, в то время как другие говорят: умеренное потребление неопасно и даже полезно. Ещё одно исследование показывает, что люди, которые много пьют, живут дольше непьющих вообще.

Это явление, известное как «кризис воспроизводимости», присутствует не только в медицине и нутрициологии, но и в психологии и экономике. «Сами видите, как ненадёжны все эти умозаключения, — говорит Барейнбойм. — Каждые пару лет мы получаем новый результат».

Он утверждает, что любой, кто спрашивает «Что, если...» — доктора, проводящие клинические испытания, социологи, разрабатывающие пилотные программы, веб-издатели, готовящие A/B-тесты, — должен начать не со сбора данных, а с использования причинно-следственной логики Перла и программного обеспечения вроде того, что изобрёл Барейбойм.

Он надеется, к появлению в будущем программ-«учёных»: человек разрабатывает причинно-следственный вопрос, а программное обеспечение при помощи теории причинно-следственных связей и методов машинного обучения помогает человеку исключить проведение экспериментов, которые не дадут ответа на этот вопрос. Это помогло бы учёным избежать траты дорогостоящих ресурсов.

Барейнбойм рассказал об этом в фойе Школы менеджмента Слоуна при Массачусетском технологическом институте.

В этом здании находится примерно 200 человек. Как эти социологи или любые другие ученые в любой точке мира решают, какие эксперименты проводить и какие данные собирать? Они следуют своей интуиции, пытаются составить прогноз на основе того, как они понимают предмет на данный момент.

Элиас Барейнбойм

По его словам, это слишком ограниченный подход, потому что учёные-люди, проводящие эксперимент, могут учитывать в своём сознании лишь несколько переменных одновременно. А вот компьютер может видеть взаимодействие сотен или тысяч переменных.

Учёный-компьютер, в коде которого заложены основные принципы причинно-следственного вычисления Перла, способный узнать, что может произойти при новом наборе переменных, может предложить, на какие именно эксперименты должны потратить свое время исследователи-люди.

Возможно, какую-то государственную практику, которая работает только в Техасе, можно было бы использовать в Калифорнии, уделив больше внимания нескольким причинно-следственным факторам. «Ученые больше не будут “проводить эксперименты в темноте”», — говорит Барейнбойм.

Что, если...

Пройти эту финишную прямую, вероятно, придётся с помощью технологий, которые только начинают развиваться. Иошуа Бенджио, компьютерный специалист из Монреальского университета, один из лауреатов премии Тьюринга 2018 года, пытается научить нейронные сети, программы, лежащие в основе глубокого обучения, методу «мета-обучения» — определять причины событий.

Чтобы нейросеть определяла, когда человек танцует, нужно показать ей много изображений танцоров. Чтобы она определяла, когда человек бежит, нужно показать ей много изображений бегунов. Система научится отличать бегунов от танцоров, выявляя особенности каждой группы изображений, например, положение пальцев и рук человека.

Но Бенджио указывает на то, что фундаментальные знания о мире можно получить, анализируя несколько массивов данных и находя похожие между собой, или «инвариантные» вещи. Возможно, нейросеть сможет понять, что физические движения ног вызывают как бег, так и танец.

Может быть, увидев эти и многие другие примеры, которые показывают людей, находящихся на высоте всего в несколько сантиметров от земли, машина в конце концов поймет что-то о гравитации и о том, как она ограничивает человеческие движения.

Со временем, при достаточном количестве мета-изучения переменных, одинаковых в разных массивах данных, компьютер может получить причинно-следственные знания, которые можно было бы многократно использовать во многих областях.

Перл утверждает, что ИИ не может быть по-настоящему «умным», пока не сможет полноценно понять причинно-следственные связи. Хотя лишь причинно-следственного мышления недостаточно для искусственного интеллекта общего уровня, оно необходимо, говорит он, потому что это позволило бы ИИ рефлексировать, то есть проводить процесс, лежащий в основе познания.

«Вопросы категории “Что, если...” являются структурными элементами науки, моральных установок, свободы воли, сознания”, — утверждает Перл.

Перл отказывается строить прогнозы о том, сколько времени понадобится компьютеру, чтобы получить полноценные способности к причинно-следственному мышлению. «Я не футуролог», — говорит он.

Тем не менее Перл убеждён, что первым шагом должна стать разработка средств машинного обучения, сочетающих данные с имеющимися научными знаниями: «В наших мозгах содержится много информации, которую мы совершенно не используем».

0
90 комментариев
Написать комментарий...
Ilya Brin

Олег, ты всё понял?

Ответить
Развернуть ветку
Олег

Я понял.

Ответить
Развернуть ветку
9 комментариев
Панда Ву

Зашёл за этим комментарием 😂😂😂

Ответить
Развернуть ветку
Алексей Тарасов

Простая идея, разбавленная бочкой воды. #паста

Ответить
Развернуть ветку
Vladimir Isaev

90% зарубежных научпопулярных статей такие. 

Ответить
Развернуть ветку
1 комментарий
Виктор Ефимов
  Как если бы вы знали, что если небо затянуто тучами, с большей вероятностью пойдёт дождь, но не понимали, что именно из туч идёт дождь.
ИИ выявлять корреляции, например, то, что появление туч делает вероятность дождя выше, — простейший уровень понимания причинно-следственных связей. 

Это не причинно-следственные связи. Это модель предметной области. Это когда вы тучи и дождь воспринимаете не в виде, например, плоской картинки, с изображением тучи и дождя, а понимаете что тучи - это что-то далекое, но ближе чем луна, состоящее из пара, который превращается в капли, и т.п.

А причинно-следственные связи - это кода вы понимаете что дождь пошёл, потому что на небе были тучи, а не тучи появились, потому что в прогнозе погоды записан "дождь".

Ответить
Развернуть ветку
Юрий Малков

Как только Олег поймёт причинно-следственные связи, мы станем не нужны.

Ответить
Развернуть ветку
Andrew Simon

Или он закроет свой банк и вернется к пельменям и пиву.

Ответить
Развернуть ветку
Mikhail Bobko

Он не Олег

Ответить
Развернуть ветку
6 комментариев
Николай Кузнецов

"Военные испытания смарт-бомбы окончились неуспешно, она отказалась покинуть бомбардировщик (с). 

Ответить
Развернуть ветку
Илья Фирсов

или лучше "она перенастроилась на тех, кто ее потревожил и успешно поразила цель..." :)

Ответить
Развернуть ветку
Евгений Крячко

Я об этом писал ещё в конце 80х. Как много Вам ещё предстоит домыслить в Поле Редукции Неопределённости.... С такими темпами господа.....

Ответить
Развернуть ветку
Alexandre Svergoun

А что такое "Поле Редукции Неопределённости"?

Ответить
Развернуть ветку
6 комментариев
Nick Sidorov

Знаете, коллега, поддержу беседу. 
Оно, конечно, действительно, что касательно - то относительно. Никогда не было так, чтобы что-нибудь и было, а случись оно что - вот тебе и пожалуйста. 

Ответить
Развернуть ветку
1 комментарий
Eugene Yuryev

А я ещё в 1837 это написал.

Ответить
Развернуть ветку
Andy Ch

Пока это конечно все интересно и весело... Будем надеяться, что товарищи ученые, перед тем как запустить обучение причинно-следственным связям, озаботятся "защитой от дурака".  А то знаете ли эти детские эксперименты на пальцах в розетке и поломанной машинке могут и не остановиться. 
"Интересно, а что будет, если этих кожаных мешков не будет?..." - на милисекунду задумался ИИ ))

Ответить
Развернуть ветку
Mercator

"Система научится отличать бегунов от танцоров, выявляя особенности каждой группы изображений, например, положение пальцев и рук человека." Тут как-то сложно с причиной и следствием. Человек бежит потому (следствие), что у него определенное положение пальцев и рук (причина), или он бежит (причина), и поэтому у него такое положение рук и пальцев (следствие). Я вот загрузилась, что здесь причина, а что следствие. 

Ответить
Развернуть ветку
Bulat Ziganshin

а можно я подброшу дровишек и скажу, что умение находить причинно-следственные связи - это особенность Жизни. как и других эволюционирующих систем, впрочем.

чем любое живое существо отличается от любого неживого? оно точно так же подчиняется всем законам физики, НО - оно устроено так, чтобы действие этих законов шло ему на пользу - питало его, защищало и позволяло размножаться. к примеру, хлоропласт у растений появился не случайно - он существует потому, что в условиях солнечной погоды Земли это позволяет им вырабатывать энергию.

однако хлоропласты - это результат работы эволюции. на следующем этапе развития появляется психика, способная оперативно делать выводы из окружающей обстановки - например амёба уплывает из опасной среды и наоборот, плывёт к теплу и пит. веществам. ещё на следующем - способность обучаться при жизни и, например, отличать съедобные плоды от несъедобных. наконец, эти знания отделяются от индивидуума и становятся "common sense", т.е. культурно наследуемыми от поколения к поколению. на это способны любые млекопитающие и птицы.

и наконец-то, этот common sense отделяется от носителей и начинает эволюционировать самостоятельно - появляется цивилизация. сначала в форме религиозных верований, затем социальной организации, и наконец из всего этого пробивается наука, которую нам сейчас преподносят как единственно-верный способ нахождения причинно-следственных связей. но, повторюсь, без эксплуатации причинно-следственных связей не было самой бы жизни.

Ответить
Развернуть ветку
Соня Карлова

cmd+F ‘китайская комната’

Ответить
Развернуть ветку
Dmitriy Dorian

"Барейнбойм говорит быстро и часто взмахивает двумя руками..." 

Переводили текст, похоже, очень примитивные алгоритмы машинного перевода. 

Ответить
Развернуть ветку
Dimm Overight

Человеческое мышление - это не череда причинно-следственных связей. Сознание, восприятие и мышление - до сих пор остаются темными областями для ученых, никто не знает даже наполовину, как на самом деле все это работает. Так как можно наделить ИИ тем, о чем до сих пор ни у кого нет четкого представления??? Чувства, эмоции, рассуждения, представления (воображение) и всё-всё то иррациональное, что присуще нам - людям, невозможно описать цифрами и вложить в машину. Так что, Земляне, спите спокойно: ии так и останется всего лишь "продвинутым калькулятором", без амбиций из апокалиптических фильмов.)

Ответить
Развернуть ветку
Vl Al

"... Чувства, эмоции ..." - ИИ без чувств и эмоций это просто другая реализация ИИ. Отличается от того, что встроено в человека.

Ответить
Развернуть ветку
2 комментария
Vyacheslav Lyan

Младенца не обучают, как нейросеть, на десятках и сотнях тысяч образов, кто мужчина, а кто женщина. Буквально с первых же попыток он уверенно будет показывать пальцем и говорить - "дядя" или "тетя". 

Ответить
Развернуть ветку
3 комментария
Yuriy Petrov

Червя уже полностью сэмулировали, муха-дрозофил вот вот будет на ПеКа обычном "летать". Дойдут и до кожаных ублюдков.

Ответить
Развернуть ветку
18 комментариев
Alexandre Svergoun

Хоть он и профессор но я с ним не согласен. Это конечно полезно что бы ИИ знал причинно-следственные  связи но как правильно он заметил, многие люди тоже их не знают. Если ИИ занимается узкой темой то это будет для него лишним. Зачем допустим автопилоту забивать память всякими причинно -следственными связями? Ему достаточно распознать категорию объекта, а категория даст информацию чего ожидать от этого объекта. Остальное уже чистая физика и кинетика. Нафига ему отличать кошку от собаки, или пешехода мужчину от пешехода женщины? Мне кажется что природа всегда максимально всё оптимизировала и отсекала всё лишнее. Я не думаю что можно запрограммировать универсальный ИИ. Так как человеческий мозг тоже состоит из разных отделов, которые решают узкие задачи. Я думаю что нужно идти таким же путём. Поверх алгоритмов которые распознают объекты ставить алгоритмы которые будут обрабатывать уже не картинку а распознанные объекты.  

Ответить
Развернуть ветку
Петр Иванов

проблема автопилота в том что на дороге во первых бывают такие непредсказуемые обьекты про которых мало знать их кинетику, надо знать их суть. например наркоман который раскинув руки кидается на фары машин ночью на дороге. его кинетическая энергия постоянно меняется, направление хаотично. но оно не броуновское, можно предсказать что он бросится на фары. автопилот не поймет такое.
во вторых бывают такие комбинации известных обьектов которые непонятны автопилоту. тут сложно пример привести, но большинство disengagements  в калифорнии при тестах именно такие. то есть автопилот входит в ступор не потому что на дороге лежит камень новой для него формы а потому что события на дороге сошлись под такой звездой под какой он еще не умеет. что то одновременно с чем то.

поэтому не факт что ИИ который просто видит обьекты и понимает их скорость сможет ездить как человек.

дада, я помню что вам не надо как человек, вам надо чтобы просто чуть чуть помогал вам. такое возможно и без понимания причинных связей да. не спорю))) будем вам от теслы норм))

Ответить
Развернуть ветку
pit chernoff

Куда им, профессорам, до тебя, Свиргун. Ты же гражданин Канады - де-факто, высшее существо, кладезь мудрости и прочее.

Ответить
Развернуть ветку
2 комментария
Vl Al

"будут обрабатывать уже не картинку а распознанные объекты" - Мозг человека так работает. Обрабатывается изображение с глаз, убирается лишнее. Передается дальше на обработку "неполная картинка". 

Ответить
Развернуть ветку
Bulat Ziganshin

ну так речь идёт об универсальном ИИ, который заменит кожаных мешков

Ответить
Развернуть ветку
Reborn Soul

Есть мнение, что мы все еще относительно далеки от создания полноценного ИИ.
*шепотом* И это даже хорошо.

Ответить
Развернуть ветку
Denis Robigo

Олег, научи их понимать причинно-следственные связи

Ответить
Развернуть ветку
Крымский Чайничек

Она хотя бы понимает как составляется матрица несоответствия?

Ответить
Развернуть ветку
Сергей Давлятов

Удивительно, что первый коммент написал не Олег)

Ответить
Развернуть ветку
Den Zomann

Компьютеры нужны не заменить человека а помочь и выполнять то что мы сделать не можем. Делать сложные анализы с большим количеством данных, а выявлять причинно-следственную связь должен человек. Если компьютер станет умнее человека, мы придем к тому что показывают фантастические фильмы.

Ответить
Развернуть ветку
Константин Рогов
Компьютеры нужны не заменить человека

Нет ничего плохого в том что компутер заменит человека в некоторых областях.

Ответить
Развернуть ветку
Константин Рогов

Он слишком много хочет от ИИ. Причинно-следственные связи и люди то не все понимают, но ничего, многим это не мешает жить.

Ответить
Развернуть ветку
Вадим Клюев

как раз машина быстрее поймет, что дважды два четыре, чем некоторые люди, потому что причину и следствие можно выразить функцией

Ответить
Развернуть ветку
Михаил Толмачев

Какая-то тупая статья. Все очень просто - взяли нейросеть, которая успешно распознает кошек, потом ее дообучили успешно распознавать собак. Какие проблемы? Нет типа проблема есть - нейросеть какая-то не такая... Но она ведь решила поставленные задачи. Нет, она не поняла причинно-следственные связи. Блин, так, а кто ставил такую задачу? Никто.
Создайте другую нейросеть, немного другая архитектура. И будет она обнаруживать причинно-следственные связи.
Статья шлак.

Ответить
Развернуть ветку
Борис Булюктов

Почитайте при случае статьи здесь http://viperson.ru/people/bulyuktov-boris-mihaylovich/publications и здесь http://www.deltatehnology.3nx.ru/ .

Ответить
Развернуть ветку
Борис Булюктов

Плохо,что вы не почитали мои работы. А там сказано, что для ИИ надо иметь модель мира, но модель мира это динамическая структура. Динамику можно получить из моделей функционирующих технических систем, но это только часть мира. Другая часть мира определяется функционированием субъектов, которая определяется их видением структуры проблемной области, желаемыми изменениями, идеями и теориями. А субъектов то много, - порядка 40 миллионов. Вот в моей теории и рассказывается как взаимодействовать миллионам с миллионами.

Ответить
Развернуть ветку
Геннадий Степанов

Простой англосаксонский снобизм. Пусть они хотя бы один раз прочтут нашего великого соотечественника философа Иммануила Канта. Тогда у них пройдёт их спесь всех поучать. Разум ( по англосаксонской версии сильный искусственный интеллект ( англосаксонская сказка, миф)) должен по Канту иметь волю , сознание, суждение и т.д. Ничего подобного в англосаксонской сказке нет. Казуальность известна каждому школьнику, ну и что.

Ответить
Развернуть ветку
Геннадий Степанов

Очередной "Перл" англосаксов. Казуальную связь понимают в детском саду. Если хорошенько "выпороть". "Учёные" программисты свою безграмотность оправдывают чем угодно, но только не собираются повысить немного свою образованность. Читайте Сократа, Аристотеля, Платона и т.д. Они гроша ломанного не стоят по сравнением с Ньютоном, Кантом, Гёделем и т.д. Главное у человека по Канту - это возможность сделать суждение. Их так называемый ИИ (никто не объяснил этот термин) простая эмуляция формальной системы исчисления. Ну и что. Великий Гёдель сказал "в формальной системе исчисления невозможно доказать истину". Англосаксы приехали.

Ответить
Развернуть ветку
Читать все 90 комментариев
null