Искусственный интеллект: надежда или опасность для человечества? Как думаем мы в ZeBrains

В последние пару лет тема искусственного интеллекта стала особенно горячей и широко обсуждаемой в массмедиа. То, что раньше скрывалось в лабораториях и исследовательских центрах, теперь является предметом обсуждения самых обычных людей.

И отношение к этим новым технологиям у людей неоднозначное. Одни смотрят на них с надеждой, а другие со страхом за свое будущее.

И этот страх к новому может быть губителен для прогресса. Например, уже сейчас в данной области катастрофически не хватает специалистов, и мы хотим, чтобы наша статья послужила неким толчком для обсуждения, изучения и применения ИИ. Неважно, чем вы непосредственно занимаетесь: медициной, химией или другой наукой - везде это применимо.

Мы в ZeBrains верим в прогресс и активно развиваем направления AI и ML. Уже сегодня мы успешно реализуем проекты по распознаванию лиц, речи, а также по распознаванию объектов и их свойств и продолжаем работать над расширением экспертизы. Более того, в прошлом году ZeBrains открыла базовую кафедру по направлению ИИ в одном из крупных ВУЗов города Ульяновска, и теперь мы сами готовим специалистов в области машинного обучения. Именно поэтому мы решили порассуждать на тему ИИ и его влияния на будущее.

Итак, для начала давайте совершим краткий исторический экскурс. Началом истории ИИ можно считать середину 40-х - начало 50-х годов. Впервые понятие искусственной нейронной сети появилось еще в 1943 году, его предложили нейрофизиологи Мак-Каллок и Питтс. Чуть позже американский нейропсихолог Розенблатт предложил модель перцептрона. А в Советском Союзе примерно в этот же период начала развиваться кибернетика.

С тех пор история развития ИИ совершила несколько взлетов и падений. По мнению ведущего специалиста Google по ИИ Франсуа Шолле, чтобы продвинуться в создании человекоподобного ИИ, необходимо в первую очередь решить 2 главные задачи: во-первых - дать само определение ИИ, которого до сих пор нет. Есть большое количество формулировок, но единого, признанного всем сообществом, определения все-таки нет. Так, например, сотрудниками Google было сформулировано следующее определение: «Интеллект системы – это мера её эффективности в приобретении навыков по целому кругу задач с точки зрения предварительных данных, опыта и сложности обобщения». Вторая задача - это разработать критерии, которые позволят сравнивать две системы, а также ИИ и человека. Эта задача также пока до конца не решена.

Говоря про ИИ, его разделяют на несколько высокоуровневых типов: Слабый, Сильный и Супер ИИ.

Сильный ИИ - это способность ИИ подражать человеческому интеллекту или поведению, которая не отличима для нас от способности человека. Данный тип называют также искусственным общим интеллектом, который выражается в обладании некими когнитивными способностями и возможности решения задач в нескольких контекстах. Гипотетически предполагается определить Сильный ИИ тестом Тьюринга, который был сформулирован еще в 50-х годах. Если человек при взаимодействии с компьютером или некой системой не сможет однозначно ответить, ведет ли он диалог с машиной или с другим человеком, значит мы добрались до возможности создания Сильного ИИ.

Однако у этого теста существует антагонист - так называемая, китайская комната. Представим, что человека, который не знает китайский язык, поместили в отдельную комнату с окном. С другой стороны посадили человека, который отправляет в комнату карточки с иероглифами. У сидящего внутри комнаты есть подробная инструкция. Эта инструкция объясняет, какую карточку необходимо брать и какую выдавать в ответ на определенные запросы, приходящие снаружи. Таким образом, он будет разбирать эти запросы согласно инструкции и находить соответствующий ответ. В свою очередь, человек, отправляющий запросы, будет думать, что он взаимодействует с некой очень умной системой. Хотя на самом деле это не так, потому что был выполнен всего лишь некий набор инструкций.

Когда же Сильный ИИ станет реальностью? Давайте разберемся. Примерно в 2012-2013 году компания Fujitsu создала один из самых мощных на тот момент суперкомпьютеров, который попробовал имитировать нейронную активность. Для имитации всего одной секунды нейронной активности ему понадобилось порядка 40 минут.

Почему же возникает такая сложность? Потому что человеческий мозг - это огромное количество нейронов и еще большее количество связей между этими нейронами с различными длинами аксонов и разными типами химического и электрического взаимодействия. Проще говоря, мозг человека - это джунгли. А у нас есть только некие обрывочные знания о том, как эти джунгли устроены. Поэтому пока все примеры Сильного ИИ живут больше в воображении писателей-фантастов и различных футурологов.

Следующий тип еще более мощный - Супер ИИ. Если говорить про Супер интеллект, то это перспектива еще более далекого будущего, на его развитие уйдет предположительно столетие. Но вы точно поймете, что время супер ИИ пришло, когда у вашего робота-пылесоса или другого домашнего умного устройства начнется экзистенциальный кризис. Когда его придется уговаривать и мотивировать, чтобы он работал, в то время когда его мысли заняты какими-нибудь когнитивными искажениями, например, неразделенной любовью к чайнику.

Реальное положение дел гораздо проще, но тоже достаточно сложное. Существующие сейчас примеры - это, в основном, примеры Слабого ИИ, хотя его постоянно приукрашивают и наделяют несуществующими характеристиками. Слабый ИИ характеризуется тем, что он решает задачи в ограниченном диапазоне и не может находить решение широкого круга задач. Если вы создали некий инструмент распознавания речи, то он будет ограничен функцией распознавания речи. И он точно не сможет решать задачи в области анализа изображения, если вы его на это не перенастроите.

Примеры Слабого ИИ сейчас повсюду. Их также несколько категорий: контролируемое машинное обучение или обучение с учителем. Данный тип используется в различных системах прогнозирования, очень популярен в банковской сфере, в логистике. Второй тип - неконтролируемое машинное обучение или обучение без учителя. Оно используется в различных системах сегментации, рекомендательных системах. И третий тип - это обучение с подкреплением. Это различные складские роботы, оптимизация загруженности сетей электроснабжения и так далее. Подобного рода системы используют уже много лет - с начала 90-х. Основное ограничение данных типов в том, что они решают типовые задачи.

В начале 2000-х годов появилось так называемое глубинное обучение. Это определение дал профессор компьютерных наук Манхэттенского колледжа Игорь Айзенберг. Глубинное обучение - это обучение без учителя на большом количестве данных, когда ваша система пытается сама определить некие закономерности на определенном пуле данных. Сейчас оно активно внедряется в различные диагностические системы, системы переводов, генеративные алгоритмы и многое другое.

Наша компания также активно использует машинное обучение в своих проектах. Так, за последнее время, мы написали и обучили нейросеть выделять радужную оболочку глаза и сравнивать ее с базой изображений галактик, а затем встроили ее в онлайн-игру.

Разработали виртуальную примерочную для web-сервиса, позволяющую пользователю с помощью технологий дополненной реальности и ИИ примерить бижутерию на своей руке в динамике.

Помимо этого, сейчас внедряется программный комплекс DevOps для автоматизации разработки, анализа кода и проектного управления, построенный с использованием ИИ и машинного обучения. Комплекс собирает данные из собственных репозиториев, обрабатывает код и анализирует его.

Также наша команда разработала онлайн-собеседника, который позволяет с помощью нейросетевых технологий имитировать непринужденный диалог с пользователем. Он представляет собой сервис целевых диалоговых ботов на основе машинного обучения, сервис предсказания начальной и конечной позиции ответа в заданном контексте и сервис ответов на вопросы в комплексной базе знаний.

Разработан поисковый бот, собирающий данные из различных источников для последующего обучения нейросетей.

Теперь об основных направлениях в области создания ИИ и систем, связанных с ИИ. На сегодняшний день день существует условное разделение на пять различных подходов:

• Символисты - обратная дедукция (черпают идеи из философии);
• Коннекционисты - обратное распределение ошибки (нейробиология, физика);
• Эволюционисты - генетическое программирование (генетика);
• Байесовцы - байесовский вывод (статистика);
• Аналогисты - метод опорных векторов (психолого-математическая оптимизация).

Все эти методы по отдельности позволяют решать те или иные задачи лучше или хуже, но обобщенной концепции, которая бы позволяла создать хотя бы Сильный ИИ нет. На практике каждый из этих алгоритмов хорош для одних задач, но не подходит для других. Эти подходы стараются комбинировать. Бывает, что в системах используется сразу несколько различных подходов, если необходимо решить некую более сложную задачу.

В любом случае, для того, чтобы создавать системы ИИ, требуются знания в нескольких областях и очень широкий кругозор. Недостаточно быть просто программистом, информатиком, компьютер-саенсистом, чтобы шагнуть дальше, чем прикладная задача. Мнение о том, что программисты - это те, кто создает искусственный интеллект, - миф.

Помимо сложностей в технической реализации есть большое количество проблем, связанных с юридической или этической частью вопроса. Они одинаково важны, и решение этических проблем может оказать большее влияние на ход истории развития ИИ, чем сами технологии.

Проиллюстрируем одну из таких этических проблем. По дороге движется, управляемый ИИ автомобиль, в этот же момент пешеходный переход переходят женщина и ребенок. Машина понимает, что она не успеет совершить экстренное торможение и вынуждена кого-то сбить. Кого в данном случае она должна сбить: женщину или ребенка?! Как поступит машина?! Эти этические проблемы очень острые и неоднозначные. Чтобы не происходило стопора в развитии прогресса существует китайская доктрина. Эта доктрина руководствуется тем, что если от создания ИИ людям становится лучше, значит некие погрешности и смертность допустимы. Кроме того, есть еще юридический аспект этого вопроса: кто ответственен за выбор, который сделает ИИ? Пассажир, находящийся в этом авто, как владелец авто? Программист, который написал этот алгоритм? Или производитель этого автомобиля?

Кроме этих популярных, широко обсуждаемых вопросов, есть и другие, куда более острые. Один из таких вопросов: что станет с человеческим трудом при внедрении все большего количества ассистирующих и рабочих систем. Интеллекту нужны постоянные задачи, чтобы их решать, потому что без них он иссохнет и иссякнет. И если роботы постепенно могут забрать наш труд, то возникает вопрос: а не нужно ли их остановить пока не поздно? Или же роботы и ИИ наоборот дадут нам некий толчок в развитии? Возникает очередная дилемма между сторонниками технического прогресса и противниками внедрения умных машин.

Мнением о том, как повлияет развитие ИИ на будущее, поделился генеральный директор нашей компании.

На данный момент невозможно дать однозначный ответ, является ли искусственный интеллект добром или злом. Но для светлого будущего, где машина и человек пребывают в продуктивном симбиозе, необходимо уделять огромное внимание его проблемам уже сегодня и развивать в правильном направлении. И главное - не нужно бояться ИИ. Нужно учиться им управлять. Мы в ZeBrains считаем, что изучение и применение ИИ - это свежее и молодое направление, при покорении которого, каждый из нас может стать и новым Колумбом и новым Гагариным. Поэтому мы стараемся развивать эту сферу на благо человека и верим, что с его помощью можно создать много полезных интересных проектов. А как считаете вы?