Πότε θα δημιουργηθεί η πρώτη τεχνητή νοημοσύνη; «Η τεχνητή νοημοσύνη δεν θα είναι σε θέση να ταιριάζει με τη φυσική νοημοσύνη στην εφεύρεση νέων πραγμάτων Πώς είναι να είσαι τεχνητή νοημοσύνη

Η τεχνητή νοημοσύνη, ένα από τα πιο συναρπαστικά θέματα της μυθοπλασίας του 20ου αιώνα, κάνει απίστευτα βήματα. Χρησιμοποιούμε συνεχώς AI στην καθημερινή ζωή, συχνά χωρίς να το γνωρίζουμε. Παρόλα αυτά, ακόμη και σήμερα, η τεχνητή νοημοσύνη δεν φεύγει από τις σελίδες των μυθιστορημάτων επιστημονικής φαντασίας και των κινηματογραφικών οθονών. Μερικοί από τους συγγραφείς σχεδιάζουν τρομερές εικόνες της ανθρωπότητας σκλαβωμένης από τη μηχανή, ενώ άλλοι, αντίθετα, βλέπουν την τεχνητή νοημοσύνη ως πιστό βοηθό και φίλο του ανθρώπου.

Πού είναι η αλήθεια και τι είναι πραγματικά η τεχνητή νοημοσύνη; Θα ξεπεράσει ποτέ τις δυνατότητες του ανθρώπινου μυαλού; Ή έχει ήδη συμβεί; Το GeekBrains είναι έτοιμο να απαντήσει στις πιο δημοφιλείς ερωτήσεις σχετικά με την τεχνητή νοημοσύνη και τις προοπτικές χρήσης της.

Τι είναι η τεχνητή νοημοσύνη;

Η τεχνητή νοημοσύνη (συντομογραφία AI) είναι μια ασαφής έννοια και εξακολουθεί να μην έχει έναν γενικά αποδεκτό ορισμό. Στα μέσα του 20ου αιώνα, όταν αυτός ο όρος αναφέρθηκε για πρώτη φορά στο σεμινάριο του Dartmouth, οι συγγραφείς του έδωσαν μια έννοια που ήταν σημαντικά διαφορετική από τη σύγχρονη. Τότε οι επιστήμονες πίστευαν ότι η τεχνητή νοημοσύνη είναι ένα σύστημα που θα μπορεί να μεταφράζει κείμενα από τη μια γλώσσα στην άλλη, να αναγνωρίζει αντικείμενα από μια φωτογραφία ή ένα βίντεο, να συλλαμβάνει το νόημα των προφορικών φράσεων και να ανταποκρίνεται επαρκώς σε αυτές. Η τρέχουσα τεχνητή νοημοσύνη μπορεί να τα κάνει όλα! Μπορούμε όμως να θεωρήσουμε ότι οι στόχοι έχουν επιτευχθεί και η τεχνητή νοημοσύνη έχει ήδη δημιουργηθεί;

Μερικοί επιστήμονες χτίζουν πολύπλοκες θεωρίες στο σημείο τομής της φιλοσοφίας και της επιστήμης των υπολογιστών, προσπαθώντας να προσδιορίσουν τι είναι η τεχνητή νοημοσύνη και ποια χαρακτηριστικά πρέπει να είναι το σύστημα για να το θεωρήσουν έξυπνο. Χωρίς να υπεισέλθουμε σε λεπτομέρειες, μπορούμε να πούμε ότι η νοημοσύνη ορίζεται ως η ικανότητα μάθησης, κατανόησης και εφαρμογής της γνώσης στην πράξη. Επομένως, έχουμε επίσης το δικαίωμα να περιμένουμε την ικανότητα να μάθουμε από την τεχνητή νοημοσύνη, να συνειδητοποιήσουμε τις γνώσεις μας και να τις χρησιμοποιήσουμε. Με την πρώτη και την τελευταία εργασία, το σύγχρονο AI τα πάει αρκετά καλά!

Πότε ξεκίνησε η ανάπτυξη AI;

Το καλοκαίρι του 1956, στο Dartmouth, οι επιστήμονες συγκεντρώθηκαν για ένα σεμινάριο σχετικά με την τεχνητή νοημοσύνη (ο όρος διατυπώθηκε εκεί) και τον επόμενο χρόνο εμφανίστηκε η έννοια του πρώτου τεχνητού νευρωνικού δικτύου, του perceptron. Το 1960, ο Frank Rosenblatt δημιούργησε τον υπολογιστή Mark-1 με βάση αυτή την ιδέα. Ο πρώτος νευροϋπολογιστής στον κόσμο διδάχθηκε να αναγνωρίζει γράμματα του λατινικού αλφαβήτου. Αλλά η ατέλεια της τεχνολογίας της δεκαετίας του '60 και η πολυπλοκότητα των διαδικασιών δεν επέτρεψαν να φέρουμε την τεχνολογία στο μυαλό και ο προγραμματιστής της πέθανε σύντομα. Οι νευροϋπολογιστές ξεχάστηκαν για 20 χρόνια.

Μόλις τη δεκαετία του 1980 οι έννοιες των νευρωνικών δικτύων άρχισαν να λαμβάνονται ξανά σοβαρά υπόψη. Η τεχνολογία ήταν ήδη αρκετά ισχυρή και υπήρχαν λιγότεροι επικριτές: τα έξυπνα ηλεκτρονικά έκαναν γρήγορα πρόοδο. Αυτό που φαινόταν σαν όνειρο πριν από δύο δεκαετίες άρχισε να φαίνεται αρκετά αληθινό και εφικτό. Ωστόσο, χρειάστηκαν άλλα 20 χρόνια για να βρεθούν οι κατάλληλες προσεγγίσεις για την εκπαίδευση των νευρωνικών δικτύων. Μόλις στα μέσα της δεκαετίας του 2000, οι επιστήμονες βρήκαν το σωστό μονοπάτι και τα τεχνητά νευρωνικά δίκτυα ξεκίνησαν τη νικηφόρα πορεία τους σε όλο τον πλανήτη.

Πριν όμως περιγράψουμε τις επιτυχίες τους, ας δούμε πώς λειτουργούν αυτά τα δίκτυα.

Περιγραφή του τεχνητού νευρώνα

Τα τεχνητά νευρωνικά δίκτυα δημιουργήθηκαν ως ένα μαθηματικό μοντέλο του ανθρώπινου εγκεφάλου. Για να γίνει αυτό, οι επιστήμονες Warren McCulloch και Walter Pitts έπρεπε να αναπτύξουν μια θεωρία για τον ανθρώπινο εγκέφαλο.

Σε αυτό, οι μεμονωμένοι νευρώνες είναι ζωντανά κύτταρα με πολύπλοκη δομή. Κάθε νευρώνας έχει δενδρίτες - διακλαδισμένες διεργασίες που μπορούν να ανταλλάσσουν σήματα με άλλους νευρώνες μέσω συνάψεων, καθώς και έναν άξονα - μια μεγαλύτερη διαδικασία που είναι υπεύθυνη για τη μετάδοση παλμών από τον νευρώνα. Μέρος των συνάψεων είναι υπεύθυνο για τη διέγερση του νευρώνα, μέρος - για την αναστολή. Από το ποια σήματα και μέσω ποιων συναπτικών συνδέσεων θα έρθουν στην «είσοδο» του νευρώνα, θα εξαρτηθούν και οι παρορμήσεις που θα μεταδώσει σε άλλους νευρώνες.

Ένας τεχνητός νευρώνας δεν χρειάζεται φυσικό φορέα. Σε γενικές γραμμές, είναι μια μαθηματική συνάρτηση. Το καθήκον του είναι να λαμβάνει πληροφορίες (για παράδειγμα, σήματα από πολλούς άλλους τεχνητούς νευρώνες), να τις επεξεργάζεται με συγκεκριμένο τρόπο και στη συνέχεια να δίνει το αποτέλεσμα στον "άξονα" - την έξοδο. Σε ένα τεχνητό δίκτυο, οι νευρώνες χωρίζονται συνήθως σε τρεις τύπους:

• είσοδος - καθένας από αυτούς τους νευρώνες λαμβάνει ένα στοιχείο αρχικής πληροφορίας ως είσοδο (για παράδειγμα, ένα σημείο της εικόνας, εάν το δίκτυο αναγνωρίζει φωτογραφίες).
• ενδιάμεσες - πληροφορίες διαδικασίας.
• έξοδος - δώστε το αποτέλεσμα (όταν αναγνωρίζετε μια φωτογραφία, το αποτέλεσμα μπορεί να είναι το αναγνωριστικό του αντικειμένου που απεικονίζεται).

Το ίδιο το νευρωνικό δίκτυο δημιουργείται σε επίπεδα, σαν μια πίτα. Ένα από τα εξωτερικά στρώματα περιέχει νευρώνες εισόδου, το άλλο περιέχει νευρώνες εξόδου και ένας ή περισσότεροι ενδιάμεσοι μπορούν να βρίσκονται ανάμεσά τους. Κάθε νευρώνας του ενδιάμεσου δικτύου συνδέεται με μια πλειάδα νευρώνων από τα δύο περιβάλλοντα στρώματα. Η επικοινωνία μεταξύ των νευρώνων παρέχεται χρησιμοποιώντας βάρη - αριθμητικές τιμές που υπολογίζει κάθε νευρώνας με βάση τα δεδομένα που λαμβάνονται από το προηγούμενο στρώμα του δικτύου.

Δημιουργώντας τεχνητά νευρωνικά δίκτυα, οι επιστήμονες επικεντρώθηκαν στη δομή του ανθρώπινου εγκεφάλου. Επομένως, οι αρχές συμπεριφοράς των ανθρωπογενών νευρώνων δεν είναι τόσο διαφορετικές από τις πραγματικές, ζωντανές. Ίσως το μυαλό που μπορεί να αναπτυχθεί με βάση τέτοια νευρωνικά δίκτυα θα είναι κοντά στο ανθρώπινο;

Η διαφορά μεταξύ τεχνητής νοημοσύνης και φυσικής

Το ερώτημα για το πώς η τεχνητή νοημοσύνη διαφέρει από τη φυσική νοημοσύνη είναι στην πραγματικότητα περισσότερο φιλοσοφικό παρά αυστηρά επιστημονικό. Και το θέμα δεν είναι καν ότι δεν μπορούμε να φανταστούμε πώς θα μοιάζει (ή δεν θα μοιάζει) ένα τεχνητά δημιουργημένο μυαλό. Είμαστε απλώς ικανοί να φανταστούμε οτιδήποτε - και οι συγγραφείς επιστημονικής φαντασίας το έχουν αποδείξει πολλές φορές. Γεγονός είναι ότι ούτε μία τεχνητή νοημοσύνη που υπάρχει σήμερα δεν έχει φτάσει σε αρκετά υψηλό επίπεδο ανάπτυξης ώστε να ανταγωνιστεί τους ανθρώπους σε ισότιμη βάση.

Υπάρχει μια άποψη που είχε εκφράσει ο φιλόσοφος John Searle στη δεκαετία του 1980. Επινόησε τους όρους «ισχυρό AI» και «αδύναμο AI». Μια ισχυρή τεχνητή νοημοσύνη, σύμφωνα με τον επιστήμονα, μπορεί να έχει επίγνωση του εαυτού της και να σκέφτεται σαν άνθρωπος. Οι αδύναμοι δεν μπορούν να το κάνουν.

Τα σημερινά AI, αν ταξινομηθούν από τον Searle, είναι σαφώς αδύναμα, αφού κανένας από αυτούς δεν έχει συλλάβει ακόμη την αυτογνωσία. Τα τεχνητά νευρωνικά μας δίκτυα αναγνωρίζουν πρόσωπα και σχεδιάζουν περίεργες, απίστευτες εικόνες, διαβάζουν χειρόγραφο κείμενο και προσθέτουν ακόμη και ποίηση - αλλά δημιουργήθηκαν αποκλειστικά για αυτούς τους σκοπούς. Κανένα από αυτά τα νευρωνικά δίκτυα δεν μπορεί να αλλάξει γνώμη και να επιλέξει μια διαφορετική «ειδικότητα» για τον εαυτό του. Κάνουν μόνο ό,τι έχουν εκπαιδευτεί να κάνουν, και κατά μία έννοια μπορούν να θεωρηθούν προγραμματισμένοι να εκτελούν αυτές τις εργασίες. Δεν έχουν πραγματική κατανόηση του τι κρύβεται πίσω από αυτά τα πράγματα. Ο Searle υποστήριξε ότι η οικοδόμηση ενός ισχυρού AI είναι βασικά αδύνατη.

Ένας άλλος φιλόσοφος, ο Hubert Dreyfus, πίστευε επίσης ότι τα συστήματα υπολογιστών δεν μπορούσαν ποτέ να συγκριθούν με ένα άτομο - αφού στη λογική του δραστηριότητα βασίζεται όχι μόνο στην αποκτηθείσα γνώση, αλλά και στην εμπειρική εμπειρία. Οι υπολογιστές δεν το κατέχουν εξ ορισμού - επομένως, δεν είναι η μοίρα τους να αναπτύξουν το δικό τους μυαλό.

Αλλά αυτές οι δηλώσεις με αυτοπεποίθηση έγιναν σε μια εποχή που τα νευρωνικά δίκτυα μόλις έκαναν τα πρώτα τους βήματα. Σήμερα, κοιτάζοντας τη μαθησιακή τους επιτυχία, δεν είναι δύσκολο να πιστέψουμε στην πραγματικότητα της τεχνητής νοημοσύνης, η οποία μπορεί να γίνει ίση με ένα άτομο ή ακόμα και να τον ξεπεράσει.

Πώς να συγκρίνετε τη νοημοσύνη ανθρώπου και υπολογιστή;

Περιμένετε, πώς μπορούμε να προσδιορίσουμε αν η τεχνητή νοημοσύνη έχει φτάσει σε ανθρώπινο επίπεδο ή όχι;

Μπορούμε να υποθέσουμε ότι ένα από τα κριτήρια είναι η παρουσία συναισθημάτων και συναισθημάτων, καθώς και η δημιουργικότητα. Εάν η μηχανή άρχιζε να βιώνει φόβο ή αγάπη, αν ξαφνικά αποφάσιζε να γράψει ένα ποίημα ή να ζωγραφίσει μια εικόνα - δεν θα ήταν αυτό μια εκδήλωση λογικής;

Πολύ πιθανό. Ωστόσο, τα ζώα και τα πουλιά έχουν επίσης συναισθήματα. Ταυτόχρονα, συχνά απαντάμε αρνητικά στο ερώτημα του λογισμού τους (ιδιαίτερα της ισότητας του μυαλού τους με το ανθρώπινο). Επιπλέον, τα συναισθήματα μπορούν να προγραμματιστούν – στις περισσότερες περιπτώσεις αποτελούν αντίδραση σε συγκεκριμένα εξωτερικά ερεθίσματα. Τέλος, απλά δεν έχουμε δεδομένα για το αν οι υπολογιστές θα μπορέσουν ποτέ να βιώσουν συναισθήματα συγκρίσιμα με τα ανθρώπινα. Πρέπει όμως τα συναισθήματά τους να είναι σαν τα δικά μας;

Ίσως ένα πιο αξιόπιστο κριτήριο είναι η αυτογνωσία; Αν το μηχάνημα αναρωτηθεί "Ποιος είμαι;" - αυτή είναι η στιγμή της εμφάνισης του ορθολογισμού; Αλλά η αυτοσυνείδηση ​​υπάρχει και στα ζώα. Ταυτόχρονα, οι περισσότεροι άνθρωποι είναι αρκετά ικανοί να ζήσουν τη ζωή τους χωρίς να εμβαθύνουν σε βαθιά φιλοσοφικά ερωτήματα.

Υπάρχουν πιο ακριβείς και αυστηρές μέθοδοι σύγκρισης νοημοσύνης; Άλλωστε, υπάρχει ένας συντελεστής IQ, με τον οποίο μπορείς να αξιολογήσεις τις νοητικές ικανότητες ενός ανθρώπου. Γιατί να μην το χρησιμοποιήσετε για αυτοκίνητο;

Έχουν τα προγράμματα υπολογιστών IQ;

Η μέτρηση της νοημοσύνης, ακόμη και στους ανθρώπους, είναι απίστευτα δύσκολη - δεν μπορείτε να συνδέσετε έναν χάρακα στις γνωστικές και νοητικές ικανότητες. Επιπλέον, το IQ δεν είναι απόλυτος δείκτης, αλλά σχετικός. Ορισμένοι επιστήμονες πιστεύουν γενικά ότι τα τεστ IQ δεν μετρούν τη νοημοσύνη αυτή καθαυτή, αλλά την ικανότητα να περάσεις τέτοια τεστ. Μπορεί να εκπαιδευτεί και να πάρει ένα λαμπρό αποτέλεσμα - αλλά η διάνοια, φυσικά, δεν θα αλλάξει. Άρα το IQ δεν είναι τίποτα άλλο από έναν αριθμό που σχετίζεται με την ευφυΐα, αλλά δεν μπορεί να δώσει μια αντικειμενική αποτίμησή του.

Σε ορισμένα τεστ IQ υπερισχύουν τα καθήκοντα παρατήρησης ή λογικής, σε άλλα - για συνδυαστική, σε άλλα - για μαθηματική σκέψη. Το αποτέλεσμα θα εξαρτηθεί από το τι δίνεται σε έναν άνθρωπο πιο εύκολα και σε τι είναι πιο ικανός. Σημασία έχει η ταχύτητα επιτυχίας των εξετάσεων και η εξειδίκευση των εργασιών.

Η τεχνητή νοημοσύνη μπορεί επίσης να «εκπαιδευτεί» για την επίλυση ορισμένων κατηγοριών προβλημάτων και θα χρειαστεί ένα μηχάνημα πολύ λιγότερο χρόνο για να ολοκληρώσει ένα τεστ IQ από έναν άνθρωπο. Έτσι το νευρωνικό δίκτυο θα μπορεί να συγκεντρώσει πόντους που είναι αδιανόητα για λαμπρούς ανθρώπους, αλλά ταυτόχρονα δεν θα μπορεί να απαντήσει στις πιο απλές ερωτήσεις για τις οποίες δεν ήταν προετοιμασμένος κατά τη διάρκεια της προπόνησης.

Υπάρχουν λοιπόν κριτήρια βάσει των οποίων μπορεί κανείς να κρίνει αντικειμενικά τη νοημοσύνη των μηχανών; Ένας από τους πρώτους ερευνητές που προσπάθησαν να τα αναπτύξουν ήταν ο διάσημος Βρετανός μαθηματικός Άλαν Τούρινγκ.

Τι είναι το τεστ Turing;

Το 1950, ο Τούρινγκ δημοσίευσε ένα άρθρο «Υπολογιστικές Μηχανές και Νους» στο οποίο συζήτησε τη θεωρητική δυνατότητα της σκέψης στις μηχανές. Αυτή δεν ήταν η πρώτη μελέτη για το θέμα της τεχνητής νοημοσύνης, ούτε καν η πρώτη τέτοια εργασία του Turing, αλλά ήταν το σημείο εκκίνησης για σοβαρές επιστημονικές συζητήσεις και διαμάχες.

Ο Turing ξεκίνησε με ορισμούς για να διευκρινίσει το ερώτημα εάν μια μηχανή μπορεί να σκεφτεί, κάτι που του φαινόταν πολύ ασαφές. Τι αυτοκίνητο εννοείς; Τι σημαίνει «σκέφτομαι» γενικά;.. Ήταν προφανές ότι μια τέτοια ερώτηση αρχικά φέρει έναν παράλογο κόκκο που δεν θα επέτρεπε να δοθεί μια σωστή απάντηση σε αυτήν. Το αποτέλεσμα των προβληματισμών του επιστήμονα ήταν το τεστ Turing - ένα πείραμα στο οποίο ένα άτομο («κριτής») καλείται να επικοινωνήσει με δύο συνομιλητές: ένα άτομο και έναν υπολογιστή. Το καθήκον του δικαστή είναι να καταλάβει ποιος είναι ποιος. Εάν, ως αποτέλεσμα, δεν είναι σίγουρος ποιος από τους συνομιλητές του είναι το πρόγραμμα, ή έκανε λάθος στην αξιολόγηση, θεωρείται ότι το μηχάνημα έχει περάσει τη δοκιμή.

Η ουσία του τεστ Τούρινγκ δεν είναι να δημιουργηθεί μια «μηχανή εξαπάτησης» που μπορεί να προσποιηθεί ότι είναι άνθρωπος. Βοηθά να βεβαιωθείτε ότι ένα συγκεκριμένο μηχάνημα ή πρόγραμμα έχει μυαλό που είναι δύσκολο να διακριθεί από ένα ανθρώπινο. Ένας τέτοιος υπολογιστής Turing που ονομάζεται "έξυπνος" - αυτός ο ορισμός είναι περισσότερο από 60 ετών και παραμένει σχετικός.

Επεξεργαστές για AI

Οι τεχνολογίες AI δεν περιορίζονται σε λύσεις λογισμικού. Σήμερα, αναπτύσσονται ενεργά ηλεκτρονικά τσιπ, στα οποία η υποστήριξη AI είναι ενσωματωμένη σε επίπεδο υλικού. Οι μικροεπεξεργαστές αυτού του τύπου ονομάζονται νευρωνικοί επεξεργαστές. Χρησιμοποιούνται σε μη επανδρωμένα οχήματα και αεροσκάφη (drones), βιομηχανικά ρομπότ και αυτόματα, καθώς και για την επίλυση εξειδικευμένων εργασιών - αναγνώριση φωνής ή εικόνας, δημιουργία μηχανών αναζήτησης και μεταφραστών μηχανών.

Μεταξύ αυτών των συσκευών είναι η μονάδα επεξεργασίας τανυστή Google (TPU), σχεδιασμένη ειδικά για συστήματα μηχανικής εκμάθησης. Αυτή η συσκευή δεν είναι ακόμη διαθέσιμη προς πώληση: μόνο η ίδια η Google τη χρησιμοποιεί για τη βελτιστοποίηση των αποτελεσμάτων αναζήτησης και την επεξεργασία φωτογραφιών. Το TPU λειτουργεί με αριθμούς 8-bit (ο οποίος είναι εξαιρετικά μικρός για ακριβείς υπολογισμούς) και έχει πάνω από δώδεκα οδηγίες (άλλοι σύγχρονοι επεξεργαστές μπορεί να έχουν εκατοντάδες). Αυτό όμως δεν εμποδίζει τον τανυστή επεξεργαστή να εκτελεί αποτελεσματικά υπολογισμούς που σχετίζονται με την τεχνητή νοημοσύνη και τα νευρωνικά δίκτυα. Ο επεξεργαστής αναπτύσσεται γρήγορα - η Google κυκλοφορεί μια νέα έκδοση κάθε χρόνο.

Επεξεργαστής Tensor Google Tensor Processing Unit 3.0 (TPU)

Υπάρχουν και άλλες εξελίξεις παρόμοιων τσιπ. Πολλά από αυτά είναι εξαιρετικά εξειδικευμένα: για παράδειγμα, έχουν σχεδιαστεί για να επιταχύνουν προγράμματα τεχνητής νοημοσύνης για όραση υπολογιστή.

Αγορά τεχνολογίας τεχνητής νοημοσύνης

Οι τεχνολογίες τεχνητής νοημοσύνης χρησιμοποιούνται σχεδόν σε όλους τους τομείς της ανθρώπινης δραστηριότητας, επομένως η τεχνητή νοημοσύνη έχει μεγάλο μέλλον. Η αγορά προϊόντων που χρησιμοποιούν τεχνητή νοημοσύνη αναπτύσσεται ραγδαία.

Παγκόσμια αγορά

Μέχρι το 2022, η αγορά AI προβλέπεται να φτάσει τα 52 δισεκατομμύρια δολάρια. Ίσως αυτό δεν είναι τόσο μεγάλο ποσοστό - για παράδειγμα, η αγορά για παιχνίδια υπολογιστών μέχρι την ίδια χρονιά θα ξεπεράσει τα 130 δισεκατομμύρια και η αγορά smartphone ήταν ήδη 10 φορές μεγαλύτερη το 2018 - 520 δισεκατομμύρια.

Αλλά η αγορά της τεχνητής νοημοσύνης δείχνει άνευ προηγουμένου υψηλή ανάπτυξη- σύμφωνα με ορισμένες εκτιμήσεις, αυξάνεται κατά περίπου 30% ετησίως (παρόμοια στοιχεία για παιχνίδια και smartphone - περίπου 5%). Εάν αυτός ο ρυθμός υιοθέτησης τεχνολογίας συνεχιστεί για μερικά ακόμη χρόνια, μπορούμε να περιμένουμε ότι σύντομα η τεχνητή νοημοσύνη θα είναι κυριολεκτικά παντού.

Οι μεγαλύτερες εταιρείες πληροφορικής στον κόσμο: Google, IBM, Intel, Nvidia συμβάλλουν στην ανάπτυξη της τεχνητής νοημοσύνης. Οι Ηνωμένες Πολιτείες, η Κίνα και το Ηνωμένο Βασίλειο πρωτοστατούν.

Στην Ρωσία

Αν το 2017 υπήρχαν μόνο μερικές δεκάδες έργα που χρησιμοποιούν AI στη Ρωσία, τότε το 2018 υπάρχουν ήδη εκατοντάδες. Οι ειδικοί προβλέπουν ότι μέχρι το 2020 η αγορά θα φτάσει τα 28 δισεκατομμύρια ρούβλια (περίπου 450 εκατομμύρια δολάρια). Οι νέες τεχνολογίες χρησιμοποιούνται πιο ενεργά στον χρηματοπιστωτικό τομέα, καθώς και στις τηλεπικοινωνίες, το λιανικό εμπόριο και την ενέργεια. Ορισμένες εταιρείες προσλαμβάνουν ομάδες ειδικών που είναι αφιερωμένες αποκλειστικά στην ανάπτυξη και εφαρμογή συστημάτων AI.

Παρά το γεγονός ότι η ανάπτυξη της αγοράς είναι γενικά ακόμη πιο γρήγορη από ό,τι στον κόσμο, υπάρχουν προβλήματα. Το κύριο πρόβλημα είναι η έλλειψη ειδικών μηχανικής μάθησης. Ήρθε λοιπόν η ώρα να αρχίσετε να σπουδάζετε AI για να αποκτήσετε μια περιζήτητη ειδικότητα και μια καλά αμειβόμενη δουλειά.

Η επίδραση της τεχνητής νοημοσύνης στην αγορά εργασίας

Ήδη σήμερα υπάρχουν τομείς όπου η τεχνητή νοημοσύνη μπορεί να αντικαταστήσει τον άνθρωπο. Για παράδειγμα, οι εφαρμογές μπορούν να απαντούν σε απλές ερωτήσεις μέσω τηλεφώνου ή να συνομιλούν με πελάτες. Αυτό σας επιτρέπει να βελτιστοποιήσετε τον φόρτο εργασίας των χειριστών τηλεφωνικών κέντρων και ακόμη και να μειώσετε το προσωπικό τους.

Στην κατασκευή, η τεχνητή νοημοσύνη είναι σε θέση να ελέγχει τον αυτοματισμό και τα βιομηχανικά ρομπότ. Ένα τεχνητό νευρωνικό δίκτυο που παρακολουθεί συνεχώς την απόδοση πολλών αισθητήρων θα μπορεί να ανταποκρίνεται γρηγορότερα από ένα άτομο σε μια κατάσταση έκτακτης ανάγκης και να λαμβάνει τα σωστά μέτρα - απενεργοποιήστε τον μεταφορέα ή σταματήστε τους μηχανισμούς. Σε πολλές περιπτώσεις, τέτοια συστήματα μπορούν να προβλέψουν προβλήματα εκ των προτέρων και να αποτρέψουν καταστάσεις έκτακτης ανάγκης.

Η τεχνητή νοημοσύνη θα αναγκάσει τους ανθρώπους να εγκαταλείψουν τις δουλειές τους. Είναι φθηνότερο και κάνει λιγότερα λάθη. Δεν ξέρει να τεμπελιάζει, να χρονοτριβεί και να κάνει παρέα στο Facebook, δεν χρειάζεται ξεκούραση, ύπνο και διακοπές, δεν στεναχωριέται και δεν κουράζεται. Ο ιδανικός εργάτης.

Πρώτα απ 'όλα, τα τεχνητά νευρωνικά δίκτυα θα αντικαταστήσουν ένα άτομο στην εκτέλεση εργασιών ρουτίνας, θα αναλάβουν σύνθετους υπολογισμούς, στην αξιολόγηση κινδύνου, στη συλλογή πληροφοριών, στη μοντελοποίηση καταστάσεων σύμφωνα με καθορισμένες παραμέτρους. Το AI μπορεί να χρησιμοποιηθεί σε επικίνδυνες και επικίνδυνες βιομηχανίες.

Αλλά θα εξακολουθούν να χρειάζονται άνθρωποι όπου τα ρομπότ δεν θα μπορούν να τους ανταγωνιστούν για μεγάλο χρονικό διάστημα. Και δεν είναι μόνο η δημιουργικότητα. Μέχρι στιγμής, η τεχνητή νοημοσύνη είναι ικανή να εκτελεί μόνο εξαιρετικά εξειδικευμένες εργασίες για τις οποίες έχει εκπαιδευτεί, ώστε να μπορεί να αντικαταστήσει ανθρώπους στον ίδιο βαθμό που μια αριθμομηχανή μπορεί να αντικαταστήσει τα μαθηματικά. Ταυτόχρονα, η ανάπτυξη τεχνολογιών τεχνητής νοημοσύνης ανοίγει μια τεράστια αγορά εργασίας για ειδικούς που σχετίζονται με τη μηχανική μάθηση και τη συντήρηση του πνευματικού εξοπλισμού.

Πού χρησιμοποιείται η τεχνητή νοημοσύνη;

Με λίγα λόγια - σχεδόν παντού!

Δεν έχουν απομείνει τόσοι πολλοί τομείς ανθρώπινης δραστηριότητας που δεν επηρεάζονται καθόλου από τις τεχνολογίες AI. Εξετάστε μόνο τους πιο σημαντικούς τομείς όπου η τεχνητή νοημοσύνη χρησιμοποιείται ήδη.

AI στο Διαδίκτυο

Κάθε φορά που λέτε "Ok Google" ή "Hey Siri", μιλάτε με την τεχνητή νοημοσύνη στο smartphone σας. Είναι σε θέση να αναγνωρίσει την ομιλία που του απευθύνεται στο σήμα από το μικρόφωνο. Καταγράφει την ερώτησή σας και την προωθεί στους διακομιστές της Google ή της Apple. Εκεί, ένα δεύτερο AI συνδέεται με τη θήκη, το οποίο αναγνωρίζει την ομιλία και μεταφράζει την ερώτηση σε μορφή κατανοητή στον υπολογιστή. Και μετά το τρίτο αναζητά την απάντηση σε γιγάντιες βάσεις δεδομένων. Τέλος, η απάντηση επιστρέφεται στο smartphone σας, όπου μια τεχνητή νοημοσύνη που δημιουργεί ανθρώπινη φωνή την εκφράζει για εσάς. Και όλα αυτά σε κλάσματα δευτερολέπτου.

Τεχνητή Νοημοσύνη στις μεταφορές και τα logistics

Μια εντυπωσιακή εφαρμογή των τεχνητών νευρωνικών δικτύων είναι τα μη επανδρωμένα οχήματα. Την τελευταία δεκαετία, πολλές αυτοκινητοβιομηχανίες ανέλαβαν την ανάπτυξη ενός αυτοκινήτου που θα μπορούσε να κινείται ανεξάρτητα στους δρόμους - General Motors, Nissan, BMW, Honda, Volkswagen, Audi, Volvo, καθώς και Google και Tesla. Τα drones δεν έχουν γίνει ακόμη μαζικό φαινόμενο στους δρόμους των πόλεων μας, αλλά προφανώς σημειώνουν πρόοδο.

Η Amazon αναπτύσσει την ιδέα της παράδοσης αγαθών και αλληλογραφίας χρησιμοποιώντας drones από το 2013. Για πρώτη φορά, το δέμα έφτασε στον παραλήπτη με ένα μη επανδρωμένο αεροσκάφος τον Δεκέμβριο του 2016. Σε ορισμένες περιοχές, τρόφιμα, φάρμακα, ακόμη και φορητοί απινιδωτές παραδίδονται με drones. Το σύστημα δεν είναι ακόμα τέλειο, αλλά συνεχίζει να εξελίσσεται. Δυστυχώς, τα drones μπορούν να εξυπηρετήσουν και παράνομους σκοπούς: υπήρξαν περιπτώσεις παράδοσης απαγορευμένων αντικειμένων σε φυλακές με χρήση drones, καθώς και χρήση drones για τη μεταφορά ναρκωτικών.

AI στα χρηματοοικονομικά

Στον χρηματοπιστωτικό τομέα, η τεχνητή νοημοσύνη χρησιμοποιείται για την πρόβλεψη κινδύνων και τον εντοπισμό απάτης. Η MasterCard Corporation, η οποία δημιούργησε το διεθνές σύστημα πληρωμών, εισήγαγε την υπηρεσία Decision Intelligence πριν από αρκετά χρόνια. Έχει σχεδιαστεί για να αυξάνει την ακρίβεια της επιβεβαίωσης γνήσιων συναλλαγών και να μειώνει την πιθανότητα ψευδών απορρίψεων πληρωμών - πρόκειται για λανθασμένη λειτουργία του ενσωματωμένου συστήματος ασφαλείας που δεν σας επιτρέπει να κάνετε μια σωστή συναλλαγή, εσφαλμένα ως δόλια. Λάθη όπως αυτό βλάπτουν τόσο τον πωλητή που χάνει έναν πελάτη όσο και τον αγοραστή που δεν λαμβάνει το προϊόν. Οι απώλειες είναι ακόμη μεγαλύτερες από τις ζημιές από απάτη.

Το σύστημα, που λειτουργεί σε ένα τεχνητό νευρωνικό δίκτυο, χρησιμοποιεί πληροφορίες από διάφορες πηγές για να αξιολογήσει εν κινήσει πόσο «κανονική» είναι μια συναλλαγή. Δεν λαμβάνεται υπόψη μόνο η αξιοπιστία και το ιστορικό συναλλαγών του πωλητή, αλλά ακόμη και η τυπική αγορά για τον αγοραστή και την τοποθεσία του, καθώς και η ώρα της ημέρας. Όλα αυτά βοηθούν στην πιο αξιόπιστη προστασία των ανθρώπων από την απάτη και στην ελαχιστοποίηση των ψευδών θετικών.

AI στην ιατρική

Στην υγειονομική περίθαλψη, η τεχνητή νοημοσύνη αναπτύσσεται κυρίως στον τομέα της διάγνωσης ασθενειών. Τα τεχνητά νευρωνικά δίκτυα έχουν μάθει να αναγνωρίζουν καρκινικούς όγκους σε ακτινογραφίες, αξονικές τομογραφίες, μαστογραφία και μαγνητική τομογραφία. Χρειάζονται περίπου 20 λεπτά για να μελετήσει ένας έμπειρος γιατρός την εικόνα και λίγα δευτερόλεπτα για τα νευρωνικά δίκτυα. Έτσι ο ασθενής μπορεί να μάθει τα αποτελέσματα της εξέτασης σχεδόν αμέσως. Είναι ιδιαίτερα ευχάριστο ότι τέτοιες εξελίξεις πραγματοποιούνται στη Ρωσία.

Τα διαγνωστικά AI μπορούν να ανιχνεύσουν όχι μόνο τον καρκίνο, αλλά και τα πρώιμα στάδια της νόσου του Αλτσχάιμερ, της πνευμονίας και άλλων ασθενειών.

Σε αμυντικά και στρατιωτικά θέματα

Το 2018, έγινε γνωστό ότι ο στρατός των ΗΠΑ ανέπτυξε μια τεχνητή νοημοσύνη ικανή να αναγνωρίζει ανθρώπινα πρόσωπα στο σκοτάδι, ακόμη και μέσα από τοίχους, χρησιμοποιώντας μια συσκευή θερμικής απεικόνισης. Η τεχνολογία αναμένεται να βοηθήσει στον εντοπισμό αρχηγών συμμοριών σε εμπόλεμες ζώνες.

Ένα άλλο AI - ALPHA - δημιουργήθηκε για να ελέγχει μη επανδρωμένα μαχητικά και να διεξάγει αεροπορικές μάχες. Σε μια από τις μάχες στους προσομοιωτές, ο υπολογιστής κέρδισε, ελέγχοντας τέσσερα αεροσκάφη ταυτόχρονα εναντίον δύο ανθρώπων αντιπάλων.

Αναπτύσσονται επίσης συστήματα σκόπευσης για άρματα μάχης, ικανά να εντοπίζουν καμουφλαρισμένους στόχους.

Στο στρατιωτικό-βιομηχανικό συγκρότημα, η τεχνητή νοημοσύνη θα βοηθήσει στη βελτίωση των αμυντικών δυνατοτήτων των χωρών, αλλά μπορεί επίσης να γίνει όπλο τρόμου.

Στην επιχείρηση και το εμπόριο

Στο λιανικό εμπόριο, η τεχνητή νοημοσύνη φέρνει επανάσταση. Τα τεχνητά νευρωνικά δίκτυα βελτιώνουν την ποιότητα των υπηρεσιών και παρέχουν μια ατομική προσέγγιση σε κάθε καταναλωτή. Οι έξυπνες τεχνολογίες εντοπίζουν απάτες με τραπεζικές κάρτες, δίνουν προσωπικές συμβουλές και σας βοηθούν να επιλέξετε το σωστό προϊόν.

Σύμφωνα με το TAdviser, πάνω από το ένα τρίτο όλων των εσόδων λιανικής το 2018 προήλθαν από συστάσεις που βασίζονται στην τεχνητή νοημοσύνη!

AI στον αθλητισμό

Εδώ, οι τεχνολογίες AI χρησιμοποιούνται για την πρόβλεψη των αποτελεσμάτων των αγώνων - τέτοια συστήματα δημιουργούνται από την UBS, την Commerzbank και τη Microsoft. Λαμβάνεται υπόψη η εμπειρία της ομάδας και των μεμονωμένων παικτών. Μερικές φορές οι προβλέψεις αποδεικνύονται σωστές, αλλά συχνά η τεχνητή νοημοσύνη δεν υπολογίζεται σοβαρά. Ο ανθρώπινος παράγοντας είναι σε θέση να διαψεύσει τις όποιες προβλέψεις.

AI στον πολιτισμό

Μια μηχανή δεν μπορεί να είναι δημιουργική γιατί δεν έχει φαντασία! Ή μπορεί ακόμα;

Παραδόξως, τα τεχνητά νευρωνικά δίκτυα είναι σε θέση να επιδείξουν δημιουργικότητα, ακόμη και να φτάσουν σε ορισμένα ύψη στον τομέα του πολιτισμού.

ΜΟΥΣΙΚΗ

Πώς θα ακουγόταν ένα φλάουτο αν ήταν σιτάρ; Το NSynth Super synthesizer της Google χρησιμοποιεί ένα νευρωνικό δίκτυο για να δημιουργήσει εντελώς νέους ήχους βασισμένους σε διαφορετικά όργανα.

Η Alice, που αναπτύχθηκε ως μέρος της startup Popgun, ξέρει πώς να «παίζει μαζί» με έναν άνθρωπο, δημιουργώντας μουσικούς αυτοσχεδιασμούς. Ο Αμερικανός τραγουδιστής Taryn Southern κυκλοφόρησε ένα άλμπουμ σε συνεργασία με το νευρωνικό δίκτυο Amper. Και το έργο Endel είναι ικανό να δημιουργήσει συνθέσεις που εναρμονίζονται με τη διάθεση του χρήστη με το πάτημα ενός κουμπιού.

Ζωγραφική

Το νευρωνικό δίκτυο DeepDream δημιουργήθηκε με την αναγνώριση προσώπου και έδειξε την ικανότητα της σουρεαλιστικής ζωγραφικής. Οι προγραμματιστές άνοιξαν έναν ιστότοπο όπου ο καθένας μπορεί να δημιουργήσει έναν εκπληκτικό καμβά σε συνεργασία με την τεχνητή νοημοσύνη. Το νευρωνικό δίκτυο ζωγραφίζει εικόνες σε διαφορετικά στυλ.

Είναι αλήθεια ότι εξακολουθεί να μην ξέρει πώς να καταλήξει σε οικόπεδα - ζητά τη βοήθεια ενός ατόμου.

βίντεο

Με τη βοήθεια του AI, που αναπτύχθηκε από την Google και το Facebook, είναι δυνατό να «αναγκάσει» ένα άτομο στην οθόνη να προφέρει οποιεσδήποτε λέξεις, να απεικονίσει όλο το φάσμα των συναισθημάτων. Και μπορεί να είναι δύσκολο να ξεχωρίσεις τέτοια βίντεο από αληθινά. Τα νευρωνικά δίκτυα μπορούν ακόμη και να αντικαταστήσουν έναν ηθοποιό με έναν άλλο σε μια κινηματογραφημένη ταινία. Και αυτό ανοίγει ευκαιρίες όχι μόνο για τους κινηματογραφιστές, αλλά και για τους δημιουργούς των πλαστών.

Βιβλιογραφία

Το νευρωνικό δίκτυο από το Facebook μπορεί να γράψει ποίηση, διατηρώντας τέλεια το μέγεθος και τον ρυθμό, επιλέγοντας καλές ρίμες. Οι αναγνώστες κατάφεραν να αναγνωρίσουν γραμμές που δημιουργήθηκαν από υπολογιστή μόνο τις μισές φορές, αλλά οι ποιητές της τεχνητής νοημοσύνης απέχουν πολύ από τους πραγματικούς ποιητές. Η μηχανή δεν έχει μάθει ακόμα να μεταδίδει συναισθήματα και να δίνει νόημα σε ποιητικά έργα.

Η Yandex κυκλοφόρησε επίσης το Autopoet, το οποίο δημιούργησε ποιήματα από ερωτήματα αναζήτησης χρηστών. Μερικά είναι αδύνατο να διαβαστούν χωρίς να χαμογελάσεις. Είναι δύσκολο να πιστέψει κανείς ότι αποτελούνται από ένα νευρωνικό δίκτυο χωρίς αίσθηση του χιούμορ!

Και η εταιρεία Narrative Science έχει αναπτύξει έναν ηλεκτρονικό δημοσιογράφο. Μέχρι στιγμής, τα άρθρα που έχουν γραφτεί από την τεχνητή νοημοσύνη είναι απλά σε περιεχόμενο, αλλά η διοίκηση της εταιρείας είναι αισιόδοξη για το μέλλον και πιστεύει ότι έως το 2025 έως το 90% των κειμένων στο Διαδίκτυο θα γράφονται με τη χρήση μηχανικής νοημοσύνης.

Το 2016, το The Day a Computer Writes a Novel ήταν φιναλίστ για το Ιαπωνικό Λογοτεχνικό Βραβείο Hoshi Shinichi. Αυτό το έργο δημιουργήθηκε σχεδόν εξ ολοκλήρου από την τεχνητή νοημοσύνη.

Παιχνίδια

ΣΤΟ παιχνίδια στον υπολογιστήΤα νευρωνικά δίκτυα χρησιμοποιούνται για τον έλεγχο αντιπάλων και ρομπότ παιχνιδιών. Αλλά η τεχνητή νοημοσύνη μπορεί επίσης να διδαχθεί να παίζει "στην άλλη πλευρά της οθόνης" - δηλαδή να διαβάζει οπτικές πληροφορίες από την οθόνη και να ελέγχει τον χαρακτήρα του παιχνιδιού, όπως κάνει ένα άτομο.

Το 2016, υπήρξε ακόμη και πρωτάθλημα Doom μεταξύ AI. Και το σύστημα Deep-Q-Network είναι εκπαιδευμένο να παίζει κλασικές μηχανές arcade Atari. Συχνά δείχνει αποτελέσματα έως και 30% υψηλότερα από έμπειρους παίκτες.

Τον 20ο αιώνα, πίστευαν ότι η τεχνητή νοημοσύνη μπορούσε να θεωρηθεί ισχυρή και αρκετά αναπτυγμένη όταν μπορούσε να νικήσει τον παγκόσμιο πρωταθλητή στο σκάκι. Οι υπολογιστές πέρασαν αυτό το στάδιο πριν από πολύ καιρό - το 1997, το Deep Blue νίκησε τον Garry Kasparov (και ήταν ένα αλγοριθμικό πρόγραμμα, όχι τεχνητή νοημοσύνη).

Μετά από αυτό, η προσοχή του κοινού στράφηκε σε πιο σύνθετα παιχνίδια τακτικής, όπως το go. Η πολυπλοκότητα του υπολογισμού της κίνησης εδώ είναι μια τάξη μεγέθους μεγαλύτερη από ό,τι στο σκάκι, επομένως δημιουργήστε αλγόριθμους που θα ταξινομούν πιθανές επιλογές, σχεδόν αδύνατον. Αλλά τα εκπαιδευμένα νευρωνικά δίκτυα κατάφεραν να αντιμετωπίσουν αυτό το παιχνίδι. Ήδη το 2015, το δίκτυο AlphaGo που αναπτύχθηκε από την Google κέρδισε έναν αγώνα εναντίον ενός επαγγελματία παίκτη της Go.

Προοπτικές για την ανάπτυξη της τεχνητής νοημοσύνης

Η επιστημονική έρευνα για την τεχνητή νοημοσύνη συνεχίζεται για περισσότερο από μισό αιώνα, αλλά ακόμα δεν καταλαβαίνουν όλοι την ουσία της τεχνολογίας. Σε μυθιστορήματα και ταινίες φαντασίας, συγγραφείς και σκηνοθέτες απεικονίζουν πόσο επικίνδυνη μπορεί να είναι η τεχνητή νοημοσύνη. Και για πολλούς, η ιδέα της τεχνητής νοημοσύνης διαμορφώνεται με αυτόν τον τρόπο.

Θα απαντήσουμε ορθολογικά σε ερωτήσεις που σχετίζονται με τις μακρινές προοπτικές για την ανάπτυξη της τεχνητής νοημοσύνης.

Ο στόχος του AI είναι να βάλει το ανθρώπινο μυαλό σε έναν υπολογιστή;

Οχι δεν είναι. Ακόμη και θεωρητικά, μια τέτοια κατάσταση δεν είναι τόσο απίθανη. Τα τεχνητά νευρωνικά δίκτυα δημιουργούνται στην εικόνα του ανθρώπινου εγκεφάλου, αν και σε πολύ απλοποιημένη μορφή. Ίσως μια μέρα θα μπορέσει να σαρώσει όλα τα τμήματα του εγκεφάλου ενός ζωντανού ανθρώπου, να φτιάξει έναν «χάρτη» των νευρώνων και των συναπτικών του συνδέσεων και να αναπαραγάγει ένα αντίγραφό του σε έναν υπολογιστή. Από ένα τέτοιο αντιγραμμένο νευρωνικό δίκτυο, μπορεί κανείς να περιμένει όχι μόνο λογική συμπεριφορά - θα είναι κυριολεκτικά διπλή ενός ατόμου, θα μπορεί να συνειδητοποιήσει τον εαυτό του, να λάβει αποφάσεις και να εκτελέσει ενέργειες όπως αυτός. Ακόμη και οι αναμνήσεις αντιγράφονται. Θεωρητικά, θα είναι δυνατό να τοποθετηθεί ένα τέτοιο νευρωνικό δίκτυο σε ένα τεχνητό σώμα (ένα ρομπότ) και τότε ένα άτομο - ένα αντίγραφο της συνείδησής του - θα μπορεί να ζήσει σχεδόν για πάντα.

Στην πράξη, θα είναι απίστευτα δύσκολο να πραγματοποιηθεί μια τέτοια μεταφορά: δεν υπάρχουν τεχνολογίες που θα επέτρεπαν την «ανάγνωση» ενός ζωντανού εγκεφάλου και τη δημιουργία του «χάρτη» του. Και είμαστε ακόμη πολύ μακριά από τη δημιουργία ενός τεχνητού νευρωνικού δικτύου που θα ήταν τόσο ισχυρό όσο ο εγκέφαλος.

Το AI στοχεύει να φτάσει σε ανθρώπινα επίπεδα νοημοσύνης;

Ο σκοπός του AI είναι να βοηθήσει τους ανθρώπους και να αναλάβει δύσκολες ή καθημερινές εργασίες. Για να γίνει αυτό, δεν χρειάζεται να συνεχίσει συζητήσεις για φιλοσοφικά θέματα ή να συνθέσει ποιήματα.

Ωστόσο, εάν μια μέρα η τεχνητή νοημοσύνη φτάσει στο επίπεδο της ανθρώπινης σκέψης, θα είναι ορόσημο για τον πολιτισμό. Θα αποκτήσουμε έναν πρακτικό και έξυπνο βοηθό - και δικαίως μπορούμε να είμαστε υπερήφανοι που αυτό είναι το δημιούργημα των χεριών μας.

Πότε θα φτάσει η τεχνητή νοημοσύνη στο ανθρώπινο επίπεδο;

Δημιουργούμε με επιτυχία σχετικά μικρά νευρωνικά δίκτυα ικανά να αναγνωρίζουν μια φωνή ή να επεξεργάζονται μια εικόνα. Κανένα AI δεν έχει ακόμη την ίδια πλαστικότητα με τον εγκέφαλό μας.

Ένα άτομο μπορεί να παίξει μουσική σήμερα και να ξεκινήσει προγραμματισμό σε C++ αύριο - χάρη στην απίστευτη πολυπλοκότητα του εγκεφάλου. Έχει 86 δισεκατομμύρια νευρώνες και αμέτρητες συναπτικές συνδέσεις μεταξύ τους.

Τα τεχνητά νευρωνικά δίκτυα απέχουν ακόμη πολύ από αυτούς τους δείκτες: έχουν από αρκετές χιλιάδες έως εκατομμύρια νευρώνες. Υπάρχουν τεχνικοί περιορισμοί στο μέγεθος των νευρωνικών δικτύων: ακόμη και οι υπερυπολογιστές δεν μπορούν να «έλκουν» ένα νευρωνικό δίκτυο συγκρίσιμο σε κλίμακα με τον ανθρώπινο εγκέφαλο. Για να μην αναφέρουμε ότι η εκπαίδευσή της θα είναι ένα μη τετριμμένο έργο.

Η ταχύτητα των υπολογιστών τους επιτρέπει να είναι έξυπνοι;

Η «δύναμη» της νοημοσύνης δεν σχετίζεται με την ταχύτητα των υπολογισμών, αλλά με την πολυπλοκότητα του νευρωνικού δικτύου. Ο ανθρώπινος εγκέφαλος εξακολουθεί να είναι ανώτερος σε ισχύ από οποιοδήποτε τεχνητό νευρωνικό δίκτυο, παρά το γεγονός ότι η ταχύτητα των διεργασιών σε αυτόν είναι σημαντικά χαμηλότερη από ό,τι στους υπολογιστές.

Τα τεχνητά νευρωνικά δίκτυα αποτελούνται από μεμονωμένους νευρώνες που ομαδοποιούνται σε στρώματα. Τα δύο εξωτερικά στρώματα χρησιμεύουν ως "είσοδος" στην οποία παρέχονται οι αρχικές πληροφορίες και ως "έξοδος" από την οποία διαβάζεται το αποτέλεσμα. Ανάμεσά τους μπορεί να βρίσκονται από ένα έως πολλές δεκάδες, ή ακόμα και εκατοντάδες, ενδιάμεσα στρώματα νευρώνων. Επιπλέον, κάθε νευρώνας στο στρώμα συνδέεται με πολλούς άλλους στο προηγούμενο και το επόμενο στρώμα.

Όσο πιο πολύπλοκο είναι το δίκτυο, όσο περισσότερα στρώματα και νευρώνες έχει, τόσο πιο μεγάλης κλίμακας και σοβαρές εργασίες μπορεί να εκτελέσει.

Μπορεί ένα νευρωνικό δίκτυο να εξελιχθεί φυσικά;

Ας δούμε αν είναι πιθανό η τεχνητή νοημοσύνη να μπορεί να βιώνει και να μαθαίνει φυσικά, όπως ένα παιδί. Το ανθρώπινο μυαλό διαμορφώνεται από πολλούς παράγοντες. Λαμβάνουμε πληροφορίες για τον εξωτερικό κόσμο μέσω των οργάνων της αντίληψης – παρατήρησης, αγγίγματος, γευσιγνωσίας. Αλληλεπιδρώντας με το περιβάλλον, παίρνουμε εμπειρία ζωής, γνώσεις για τις ιδιότητες του κόσμου, κοινωνικές δεξιότητες. Ο εγκέφαλός μας συνεχώς βελτιώνεται και αλλάζει σωματικά, δημιουργώντας νέες συναπτικές συνδέσεις και «αντλώντας» τις υπάρχουσες.

Εάν μπορέσουμε να δημιουργήσουμε ένα σύμπλεγμα νευρωνικών δικτύων αρκετά ώστε να μπορεί να αναπτυχθεί με αυτόν τον τρόπο και να το εξοπλίσουμε με "αισθηματικά όργανα" - βιντεοκάμερα, μικρόφωνο και άλλα παρόμοια - ίσως μετά από λίγο θα μπορέσει να αποκτήσει "εμπειρία ζωής ". Αλλά αυτό είναι θέμα του απώτερου μέλλοντος.

Υπάρχει κίνδυνος για τον ανθρώπινο πολιτισμό;

Οι κίνδυνοι που συνδέονται με τις νέες τεχνολογίες υπάρχουν πάντα. Το ερώτημα είναι ποιες είναι αυτές.

Μπορεί να αποδειχθεί ότι τα τεχνητά νευρωνικά δίκτυα, έχοντας φτάσει σε ένα ορισμένο όριο, θα φτάσουν σε ένα «οροπέδιο» αποτελεσματικότητας και δεν θα αναπτυχθούν περαιτέρω. Ή δεν θα ανταποκριθούν στις προσδοκίες εάν αποδειχθεί ότι η τεχνητή νοημοσύνη καταρχήν δεν είναι σε θέση να αντιμετωπίσει τη μία ή την άλλη κατηγορία εργασιών, για παράδειγμα, δημιουργικής φύσης. Αυτό μπορεί να οδηγήσει σε απώλεια εργατικού κόστους και οικονομικών επενδύσεων.

Εάν, ωστόσο, με τον όρο κίνδυνο εννοούμε ανθρωπογενείς καταστροφές ή εξέγερση μηχανών - μέχρι στιγμής αυτό είναι απίθανο να μας απειλήσει. ομιλία με απλά λόγια, τα σύγχρονα νευρωνικά δίκτυα δεν είναι σε θέση να στραφούν εναντίον των δημιουργών - ακριβώς όπως οι νευρώνες στον εγκέφαλο που ελέγχουν την κίνηση του χεριού δεν είναι σε θέση να συνειδητοποιήσουν τον εαυτό τους ως άτομο και να χτυπήσουν το σώμα τους.

Ωστόσο, πρέπει να θυμόμαστε ότι η τεχνητή νοημοσύνη είναι η εφεύρεσή μας. Τα σχεδιάζουμε, τα δημιουργούμε, τα εκπαιδεύουμε, βάζουμε «σκέψεις». Αυτό σημαίνει ότι είμαστε υπεύθυνοι και για τη συμπεριφορά τους.

Τέταρτη επανάσταση

Ανεξάρτητα από το πώς νιώθουμε για την τεχνητή νοημοσύνη, θα πρέπει να αποδεχτούμε το γεγονός ότι υπάρχει ήδη. Το να το αρνηθείς σημαίνει να κάνεις ένα βήμα πίσω στην ανάπτυξη. Εξάλλου, η τεχνητή νοημοσύνη είναι ένα σημαντικό μέρος της προόδου μας. Πολλοί επιστήμονες συνδέουν την αρχή της τέταρτης βιομηχανικής επανάστασης με τεχνητά νευρωνικά δίκτυα και δηλώνουν ότι έρχεται μια νέα εποχή - όταν η ανθρωπογενής νοημοσύνη θα εμφανιστεί δίπλα μας, πάντα έτοιμη να βοηθήσει.

Κάθε τι νέο είναι τρομακτικό και δυσπιστία - αυτή είναι μια φυσιολογική ανθρώπινη αντίδραση και πολλοί άνθρωποι είναι επιφυλακτικοί με την τεχνητή νοημοσύνη. Μόνο ένας τεμπέλης συγγραφέας επιστημονικής φαντασίας δεν μίλησε για τη φρίκη που θα μας φέρει η τεχνητή νοημοσύνη. Όμως παρόμοια πράγματα γράφτηκαν για κάθε τεχνολογική καινοτομία στην εποχή τους. Ο κόσμος φοβόταν τις ατμομηχανές γιατί «θα σημάδευαν τις αγελάδες, θα δηλητηρίαζαν τα πουλιά με καπνό και με ταχύτητες πάνω από 15 μίλια την ώρα, οι επιβάτες θα κομματιάζονταν». Μάλλον θα γελάσουν και οι απόγονοι με τους φόβους μας, για τους οποίους μαθαίνουν από ταινίες και βιβλία του 20ού και του 21ου αιώνα.

Η τεχνητή νοημοσύνη είναι η ικανότητα ενός ψηφιακού υπολογιστή ή ενός ρομπότ ελεγχόμενου από υπολογιστή να εκτελεί εργασίες που συνήθως σχετίζονται με αισθανόμενα όντα. Ο όρος χρησιμοποιείται συχνά στο έργο της ανάπτυξης συστημάτων προικισμένων με διανοητικές διαδικασίες που αφορούν τον άνθρωπο, όπως η ικανότητα να συλλογίζεται, να γενικεύει ή να μαθαίνει από την εμπειρία του παρελθόντος. Επιπλέον, ο ορισμός της έννοιας του AI (τεχνητή νοημοσύνη) περιορίζεται σε μια περιγραφή ενός συνόλου σχετικών τεχνολογιών και διαδικασιών, όπως, για παράδειγμα, η μηχανική μάθηση, οι εικονικοί πράκτορες και τα έμπειρα συστήματα. Με απλά λόγια, η τεχνητή νοημοσύνη είναι μια ωμή αναπαράσταση των νευρώνων στον εγκέφαλο. Τα σήματα μεταδίδονται από νευρώνα σε νευρώνα και τελικά εξέρχονται - λαμβάνεται ένα αριθμητικό, κατηγορικό ή γενετικό αποτέλεσμα. Αυτό μπορεί να επεξηγηθεί με το ακόλουθο παράδειγμα. εάν το σύστημα τραβήξει μια φωτογραφία μιας γάτας και έχει εκπαιδευτεί να αναγνωρίζει αν είναι γάτα ή όχι, το πρώτο στρώμα μπορεί να αναγνωρίσει τις γενικές κλίσεις που καθορίζουν το συνολικό σχήμα της γάτας. Το επόμενο στρώμα μπορεί να αναγνωρίσει μεγαλύτερα αντικείμενα όπως αυτιά και στόματα. Το τρίτο στρώμα ορίζει μικρότερα αντικείμενα (όπως μουστάκια). Τέλος, με βάση αυτές τις πληροφορίες, το πρόγραμμα θα τυπώσει «ναι» ή «όχι» για να καταλάβει αν είναι γάτα ή όχι. Ο προγραμματιστής δεν χρειάζεται να «πει» στους νευρώνες ότι αυτά είναι τα χαρακτηριστικά που πρέπει να αναζητήσουν. Το AI τα έμαθε από μόνο του εκπαιδεύοντας σε πολλές εικόνες (με και χωρίς γάτες).

Τι είναι η τεχνητή νοημοσύνη;

Περιγραφή του τεχνητού νευρώνα

Ένας τεχνητός νευρώνας είναι μια μαθηματική συνάρτηση που έχει συλληφθεί ως μοντέλο βιολογικών νευρώνων, ένα νευρωνικό δίκτυο. Οι τεχνητοί νευρώνες είναι στοιχειώδεις μονάδες στα τεχνητά νευρωνικά δίκτυα. Ένας τεχνητός νευρώνας λαμβάνει μία ή περισσότερες εισόδους και τις συνοψίζει για να παράγει μια έξοδο ή πυροδότηση που αντιπροσωπεύει το δυναμικό δράσης του νευρώνα που μεταδίδεται κατά μήκος του άξονά του. Συνήθως, κάθε είσοδος αναλύεται χωριστά και το άθροισμα διέρχεται μέσω μιας μη γραμμικής συνάρτησης γνωστής ως συνάρτηση ενεργοποίησης ή συνάρτησης μεταφοράς.

Πότε ξεκίνησε η έρευνα AI;

Το 1935, ο Βρετανός ερευνητής A.M. Ο Τούρινγκ περιέγραψε μια αφηρημένη υπολογιστική μηχανή που αποτελείται από άπειρη μνήμη και έναν σαρωτή που κινείται μπρος-πίσω μέσα από τη μνήμη, χαρακτήρα προς χαρακτήρα. Ο σαρωτής διαβάζει ό,τι βρίσκει, γράφοντας περαιτέρω χαρακτήρες. Οι ενέργειες του σαρωτή υπαγορεύονται από ένα πρόγραμμα οδηγιών, το οποίο επίσης αποθηκεύεται στη μνήμη ως σύμβολα. Το πρώτο επιτυχημένο πρόγραμμα AI γράφτηκε το 1951 από τον Christopher Strachey. Το 1952, αυτό το πρόγραμμα μπορούσε να παίξει πούλια με ένα άτομο, εκπλήσσοντας τους πάντες με την ικανότητά του να προβλέπει κινήσεις. Το 1953, ο Turing δημοσίευσε μια κλασική πρώιμη εργασία για τον προγραμματισμό του σκακιού.

Η διαφορά μεταξύ τεχνητής νοημοσύνης και φυσικής

Η νοημοσύνη μπορεί να οριστεί ως η γενική νοητική ικανότητα για συλλογισμό, επίλυση προβλημάτων και μάθηση. Λόγω της γενικής φύσης της, η νοημοσύνη ενσωματώνει γνωστικές λειτουργίες όπως η αντίληψη, η προσοχή, η μνήμη, η γλώσσα ή ο προγραμματισμός. η φυσική νοημοσύνη διακρίνεται από μια συνειδητή στάση απέναντι στον κόσμο. Η ανθρώπινη σκέψη είναι πάντα συναισθηματικά έγχρωμη και δεν μπορεί να διαχωριστεί από τη σωματικότητα. Επιπλέον, ένα άτομο είναι κοινωνικό ον, επομένως η κοινωνία επηρεάζει πάντα τη σκέψη. Το AI δεν έχει καμία σχέση συναισθηματική σφαίρακαι όχι κοινωνικά.

Πώς να συγκρίνετε τη νοημοσύνη ανθρώπου και υπολογιστή;

Η ανθρώπινη σκέψη μπορεί να συγκριθεί με την τεχνητή νοημοσύνη με βάση πολλές γενικές παραμέτρους της οργάνωσης του εγκεφάλου και της μηχανής. Η δραστηριότητα ενός υπολογιστή, όπως και του εγκεφάλου, περιλαμβάνει τέσσερα στάδια: κωδικοποίηση, αποθήκευση, ανάλυση δεδομένων και έκδοση αποτελέσματος. Επιπλέον, ο ανθρώπινος εγκέφαλος και η τεχνητή νοημοσύνη μπορούν να αυτομάθουν ανάλογα με τα δεδομένα που λαμβάνονται από το περιβάλλον. Επίσης, ο ανθρώπινος εγκέφαλος και η νοημοσύνη των μηχανών επιλύουν προβλήματα (ή εργασίες) χρησιμοποιώντας ορισμένους αλγόριθμους.

Έχουν τα προγράμματα υπολογιστών IQ;

Οχι. Το IQ σχετίζεται με την ανάπτυξη της νοημοσύνης ενός ατόμου ανάλογα με την ηλικία. Η τεχνητή νοημοσύνη υπερβαίνει ορισμένες ανθρώπινες ικανότητες με κάποιους τρόπους, για παράδειγμα, μπορεί να αποθηκεύσει έναν τεράστιο αριθμό αριθμών στη μνήμη, αλλά αυτό δεν έχει καμία σχέση με το IQ.

Τι είναι το τεστ Turing;

Ο Alan Turing ανέπτυξε μια εμπειρική δοκιμή που δείχνει εάν το πρόγραμμα είναι σε θέση να καταγράψει όλες τις αποχρώσεις της ανθρώπινης συμπεριφοράς σε τέτοιο βαθμό που ένα άτομο δεν μπορεί να προσδιορίσει με ποιον ακριβώς επικοινωνεί - με AI ή με ζωντανό συνομιλητή. Ο Τούρινγκ πρότεινε σε έναν εξωτερικό παρατηρητή να αξιολογήσει τη συνομιλία μεταξύ ενός ατόμου και μιας μηχανής που απαντά σε ερωτήσεις. Ο δικαστής δεν βλέπει ποιος ακριβώς απαντά, αλλά ξέρει ότι ένας από τους συνομιλητές είναι AI. Η συνομιλία περιορίζεται μόνο στο κανάλι κειμένου (πληκτρολόγιο και οθόνη υπολογιστή), επομένως το αποτέλεσμα δεν επηρεάζεται από την ικανότητα του μηχανήματος να αποδίδει λέξεις ως ανθρώπινη ομιλία. Εάν το πρόγραμμα καταφέρει να εξαπατήσει ένα άτομο, θεωρείται ότι έχει ανταπεξέλθει αποτελεσματικά στο τεστ.

Συμβολική προσέγγιση

Η συμβολική προσέγγιση της τεχνητής νοημοσύνης είναι το σύνολο όλων των ερευνητικών μεθόδων τεχνητής νοημοσύνης που βασίζονται σε συμβολικά υψηλού επιπέδου ( ευανάγνωστο από τον άνθρωπο) ιδέες για εργασίες, λογική και αναζήτηση. Η συμβολική προσέγγιση χρησιμοποιήθηκε ευρέως στην έρευνα της τεχνητής νοημοσύνης στις δεκαετίες του 1950 και του 80. Ενας από δημοφιλείς μορφέςΗ συμβολική προσέγγιση είναι έμπειρα συστήματα που χρησιμοποιούν έναν συνδυασμό ορισμένων κανόνων παραγωγής. Οι κανόνες παραγωγής συνδέουν σύμβολα σε λογικές σχέσεις που είναι παρόμοιες με τον αλγόριθμο If-Then. Το έμπειρο σύστημα επεξεργάζεται τους κανόνες για να βγάλει συμπεράσματα και να καθορίσει ποιες πρόσθετες πληροφορίες χρειάζεται, δηλαδή ποιες ερωτήσεις να κάνει χρησιμοποιώντας σύμβολα αναγνώσιμα από τον άνθρωπο.

λογική προσέγγιση

Ο όρος "λογική προσέγγιση" υπονοεί μια έφεση στη λογική, τη λογική, την επίλυση προβλημάτων με τη βοήθεια λογικών βημάτων. Οι λογικοί τον 19ο αιώνα ανέπτυξαν ακριβείς σημειώσεις για όλα τα είδη αντικειμένων στον κόσμο και τις σχέσεις μεταξύ τους. Μέχρι το 1965, υπήρχαν προγράμματα που μπορούσαν να λύσουν οποιοδήποτε λογικό πρόβλημα (η κορύφωση της δημοτικότητας αυτής της προσέγγισης ήρθε στα τέλη της δεκαετίας του 1950 και της δεκαετίας του '70). Οι υποστηρικτές της λογικής προσέγγισης στο πλαίσιο της λογικής τεχνητής νοημοσύνης ήλπιζαν να δημιουργήσουν έξυπνα συστήματα σε τέτοια προγράμματα (ιδίως, γραμμένα στη γλώσσα Prolog). Ωστόσο, αυτή η προσέγγιση έχει δύο περιορισμούς. Πρώτον, δεν είναι εύκολο να λάβουμε άτυπες γνώσεις και να τις βάλουμε στους επίσημους όρους που απαιτούνται για την επεξεργασία της τεχνητής νοημοσύνης. Δεύτερον, υπάρχει μεγάλη διαφορά μεταξύ της επίλυσης ενός προβλήματος στη θεωρία και της επίλυσής του στην πράξη. Ακόμη και προβλήματα με μερικές εκατοντάδες γεγονότα μπορεί να εξαντλήσουν τους υπολογιστικούς πόρους οποιουδήποτε υπολογιστή εάν δεν έχει καμία ένδειξη για το ποιο σκεπτικό να χρησιμοποιήσει πρώτα.

Προσέγγιση που βασίζεται σε πράκτορες

Ένας πράκτορας είναι κάτι που ενεργεί (από τα λατινικά agere, «να κάνω»). Φυσικά, όλα τα προγράμματα υπολογιστών κάνουν κάτι, αλλά οι πράκτορες υπολογιστών αναμένεται να κάνουν περισσότερα: να εργάζονται αυτόνομα, να αντιλαμβάνονται περιβαλλοντικά σήματα (χρησιμοποιώντας ειδικούς αισθητήρες), να προσαρμόζονται στις αλλαγές, να δημιουργούν στόχους και να τους εκτελούν. Ορθολογικός πράκτορας είναι αυτός που ενεργεί με τέτοιο τρόπο ώστε να επιτύχει το καλύτερο αναμενόμενο αποτέλεσμα.

Υβριδική προσέγγιση

Υποτίθεται ότι αυτή η προσέγγιση, η οποία έγινε δημοφιλής στα τέλη της δεκαετίας του '80, λειτουργεί πιο αποτελεσματικά, καθώς είναι ένας συνδυασμός συμβολικών και νευρικών μοντέλων. Η υβριδική προσέγγιση αυξάνει τις γνωστικές και υπολογιστικές δυνατότητες της μηχανής.

Αγορά τεχνολογίας τεχνητής νοημοσύνης

Η αγορά αναμένεται να αυξηθεί στα 190,61 δισεκατομμύρια δολάρια έως το 2025, με ετήσιο ρυθμό ανάπτυξης 36,62%. Η ανάπτυξη της αγοράς επηρεάζεται από παράγοντες όπως η εισαγωγή εφαρμογών και υπηρεσιών cloud, η εμφάνιση μεγάλων συστοιχιών δεδομένων και η ενεργή ζήτηση για ευφυείς εικονικούς βοηθούς. Ωστόσο, εξακολουθούν να υπάρχουν λίγοι ειδικοί που αναπτύσσουν και εφαρμόζουν τεχνολογίες AI, και αυτό εμποδίζει την ανάπτυξη της αγοράς. Τα συστήματα που λειτουργούν με τεχνητή νοημοσύνη απαιτούν υποστήριξη ενοποίησης και συντήρησης.

Επεξεργαστές για AI

Οι σύγχρονες εργασίες τεχνητής νοημοσύνης απαιτούν ισχυρούς επεξεργαστές που μπορούν να επεξεργαστούν τεράστιες ποσότητες δεδομένων. Οι επεξεργαστές πρέπει να έχουν πρόσβαση σε μεγάλες ποσότητες μνήμης και η συσκευή χρειάζεται επίσης συνδέσμους δεδομένων υψηλής ταχύτητας.

Στην Ρωσία

Στα τέλη του 2018, μια σειρά διακομιστών Elbrus-804 κυκλοφόρησε στη Ρωσία, παρουσιάζοντας υψηλή απόδοση. Καθένας από τους υπολογιστές είναι εξοπλισμένος με τέσσερις επεξεργαστές οκτώ πυρήνων. Χρησιμοποιώντας αυτές τις συσκευές, μπορείτε να δημιουργήσετε συμπλέγματα υπολογιστών, σας επιτρέπουν να εργάζεστε με εφαρμογές και βάσεις δεδομένων.

Παγκόσμια αγορά

Οι οδηγοί και οι ηγέτες της αγοράς είναι δύο εταιρείες - η Intel και η AMD, κατασκευαστές των πιο ισχυρών επεξεργαστών. Η Intel έχει παραδοσιακά επικεντρωθεί στην κατασκευή μηχανών με υψηλότερες ταχύτητες ρολογιού, η AMD επικεντρώνεται στη συνεχή αύξηση του αριθμού των πυρήνων και στην παροχή πολλαπλών νημάτων απόδοσης.

Εθνική Αναπτυξιακή Αντίληψη

Τρεις δωδεκάδες χώρες έχουν ήδη εγκρίνει εθνικές στρατηγικές για την ανάπτυξη της τεχνητής νοημοσύνης. Τον Οκτώβριο του 2019, το σχέδιο Εθνικής Στρατηγικής για την Ανάπτυξη της ΤΝ θα πρέπει να εγκριθεί στη Ρωσία. Υποτίθεται ότι η Μόσχα θα εισαγάγει ένα νομικό καθεστώς που θα διευκολύνει την ανάπτυξη και εφαρμογή τεχνολογιών τεχνητής νοημοσύνης.

Έρευνα AI

Τα ερωτήματα για το τι είναι η τεχνητή νοημοσύνη και πώς λειτουργεί ανησυχούν επιστήμονες από διάφορες χώρες για περισσότερο από μια δεκαετία. Η κυβέρνηση των ΗΠΑ διαθέτει 200 ​​εκατομμύρια δολάρια ετησίως για έρευνα. Στη Ρωσία, για 10 χρόνια - από το 2007 έως το 2017 - διατέθηκαν περίπου 23 δισεκατομμύρια ρούβλια. Οι ενότητες για την υποστήριξη της έρευνας για την τεχνητή νοημοσύνη θα γίνουν σημαντικό μέρος της ιδέας της εθνικής στρατηγικής. Στο εγγύς μέλλον, νέα ερευνητικά κέντρα θα ανοίξουν στη Ρωσία και η ανάπτυξη καινοτόμου λογισμικού για την τεχνητή νοημοσύνη θα συνεχιστεί.

Τυποποίηση AI

Οι κανόνες και οι κανόνες στον τομέα της τεχνητής νοημοσύνης στη Ρωσία βρίσκονται σε διαδικασία συνεχούς βελτίωσης. Υποτίθεται ότι στα τέλη του 2019 - αρχές του 2020 θα εγκριθούν εθνικά πρότυπα, τα οποία αναπτύσσονται τώρα από τους ηγέτες της αγοράς. Παράλληλα, διαμορφώνεται ένα Εθνικό Σχέδιο Τυποποίησης για το 2020 και μετά. Το πρότυπο «Τεχνητή Νοημοσύνη. Έννοια και ορολογία», και το 2019 οι ειδικοί άρχισαν να αναπτύσσουν την ρωσοποιημένη έκδοσή του. Το έγγραφο πρέπει να εγκριθεί το 2021.

Ο αντίκτυπος της τεχνητής νοημοσύνης

Η εισαγωγή της τεχνητής νοημοσύνης είναι άρρηκτα συνδεδεμένη με την επιστημονική και τεχνολογική πρόοδο και το πεδίο εφαρμογής διευρύνεται κάθε χρόνο. Αυτό το αντιμετωπίζουμε καθημερινά στη ζωή μας, όταν μια μεγάλη αλυσίδα λιανικής στο Διαδίκτυο μας προτείνει ένα προϊόν ή όταν ανοίγουμε τον υπολογιστή, βλέπουμε μια διαφήμιση για μια ταινία που απλώς θέλαμε να παρακολουθήσουμε. Αυτές οι συστάσεις βασίζονται σε αλγόριθμους που αναλύουν τι αγόρασε ή παρακολούθησε ο καταναλωτής. Η τεχνητή νοημοσύνη βρίσκεται πίσω από αυτούς τους αλγόριθμους.

Υπάρχει κίνδυνος για την ανάπτυξη του ανθρώπινου πολιτισμού;

Ο Έλον Μασκ πιστεύει ότι η ανάπτυξη της τεχνητής νοημοσύνης θα μπορούσε να απειλήσει την ανθρωπότητα και τα αποτελέσματα θα μπορούσαν να είναι χειρότερα από τη χρήση πυρηνικών όπλων. Ο Στίβεν Χόκινγκ, ένας Βρετανός επιστήμονας, φοβάται ότι οι άνθρωποι μπορούν να δημιουργήσουν τεχνητή νοημοσύνη με υπερνοημοσύνη που μπορεί να βλάψει ένα άτομο.

Για την οικονομία και τις επιχειρήσεις

Η διείσδυση της τεχνολογίας AI σε όλους τους τομείς της οικονομίας θα αυξήσει τον όγκο της παγκόσμιας αγοράς υπηρεσιών και αγαθών κατά 15,7 τρισεκατομμύρια δολάρια έως το 2030. Οι ΗΠΑ και η Κίνα εξακολουθούν να είναι ηγέτες όσον αφορά κάθε είδους έργα στον τομέα της τεχνητής νοημοσύνης. Οι ανεπτυγμένες χώρες - Γερμανία, Ιαπωνία, Καναδάς, Σιγκαπούρη - προσπαθούν επίσης να πραγματοποιήσουν όλες τις δυνατότητες. Πολλές μέτρια αναπτυσσόμενες οικονομίες, όπως η Ιταλία, η Ινδία, η Μαλαισία, αναπτύσσουν δυνατά σημεία σε συγκεκριμένες εφαρμογές τεχνητής νοημοσύνης.

Στην αγορά εργασίας

Ο παγκόσμιος αντίκτυπος της τεχνητής νοημοσύνης στην αγορά εργασίας θα ακολουθήσει δύο σενάρια. Πρώτον, η διάδοση κάποιων τεχνολογιών θα οδηγήσει στην απόλυση μεγάλου αριθμού ατόμων, αφού οι υπολογιστές θα αναλάβουν πολλές εργασίες. Δεύτερον, λόγω της ανάπτυξης της τεχνολογικής προόδου, οι ειδικοί της τεχνητής νοημοσύνης θα έχουν μεγάλη ζήτηση σε πολλούς κλάδους.

Προκατάληψη AI

Η μεροληψία του συστήματος AI είναι πιθανό να γίνει ένα όλο και πιο κοινό πρόβλημα καθώς η τεχνητή νοημοσύνη μετακινείται από το εργαστήριο πραγματικό κόσμο. Οι ερευνητές φοβούνται ότι χωρίς επαρκή εκπαίδευση στην αξιολόγηση δεδομένων και εντοπισμό της πιθανότητας μεροληψίας δεδομένων, οι ευάλωτες ομάδες της κοινωνίας μπορεί να ζημιωθούν ή να παραβιαστούν τα δικαιώματά τους. Μέχρι στιγμής, οι ερευνητές δεν έχουν στοιχεία για το εάν τα συστήματα που έχουν δημιουργηθεί με βάση τη μηχανική μάθηση θα απειλήσουν την ανθρωπότητα.

Εφαρμογές

Η τεχνητή νοημοσύνη και οι εφαρμογές της υφίστανται μεταμόρφωση. Ο ορισμός του Weak AI ("αδύναμο AI") χρησιμοποιείται όταν μιλαμεσχετικά με την υλοποίηση στενών εργασιών σε ιατρικά διαγνωστικά, ηλεκτρονικές πλατφόρμες συναλλαγών, έλεγχο ρομπότ. Ενώ το Ισχυρό AI («ισχυρό AI») ορίζεται από τους ερευνητές ως μια διάνοια που αντιμετωπίζει παγκόσμιες εργασίες, σαν να είχαν τεθεί για ένα άτομο.

Άμυνα και στρατιωτική χρήση

Μέχρι το 2025, οι πωλήσεις σχετικών υπηρεσιών, λογισμικού και υλικού σε παγκόσμια κλίμακα θα αυξηθούν στα 18,82 δισεκατομμύρια δολάρια και η ετήσια ανάπτυξη της αγοράς θα είναι 14,75%. Το AI χρησιμοποιείται για τη συγκέντρωση δεδομένων, τη βιοπληροφορική, τη στρατιωτική εκπαίδευση και τον αμυντικό τομέα.

Στην εκπαίδευση

Πολλά σχολεία περιλαμβάνουν εισαγωγικές τάξεις τεχνητής νοημοσύνης στο πρόγραμμα σπουδών τους για την επιστήμη των υπολογιστών και τα πανεπιστήμια χρησιμοποιούν εκτενώς τις τεχνολογίες μεγάλων δεδομένων. Ορισμένα προγράμματα παρακολουθούν τη συμπεριφορά των μαθητών, βαθμολογούν τεστ και δοκίμια, αναγνωρίζουν λάθη στην προφορά και προτείνουν διορθώσεις.

Υπάρχουν επίσης διαδικτυακά μαθήματα τεχνητής νοημοσύνης. Για παράδειγμα, στο εκπαιδευτική πύλη.

Στην επιχείρηση και το εμπόριο

Τα επόμενα πέντε χρόνια, κορυφαίοι έμποροι λιανικής θα έχουν εφαρμογές για κινητά που θα συνεργάζονται με ψηφιακούς βοηθούς όπως το Siri για να κάνουν τις αγορές ευκολότερες. Η τεχνητή νοημοσύνη σάς επιτρέπει να κερδίζετε τεράστια χρηματικά ποσά στο Διαδίκτυο. Ένα παράδειγμα είναι η Amazon, η οποία αναλύει συνεχώς τη συμπεριφορά των καταναλωτών και βελτιώνει τους αλγόριθμους.

Πού μπορώ να μάθω για την #τεχνητή νοημοσύνη

Στη βιομηχανία ηλεκτρικής ενέργειας

Η τεχνητή νοημοσύνη βοηθά στην πρόβλεψη της παραγωγής και της ζήτησης ενεργειακών πόρων, στη μείωση των απωλειών και στην πρόληψη της κλοπής πόρων. Στη βιομηχανία ηλεκτρικής ενέργειας, η χρήση της τεχνητής νοημοσύνης στην ανάλυση στατιστικών δεδομένων βοηθά στην επιλογή του πιο κερδοφόρου προμηθευτή ή στην αυτοματοποίηση της εξυπηρέτησης πελατών.

Στον μεταποιητικό τομέα

Σύμφωνα με έρευνα της McKinsey σε 1.300 στελέχη, το 20% των επιχειρήσεων χρησιμοποιεί ήδη AI. Πρόσφατα, η Mosselprom εφάρμοσε την τεχνητή νοημοσύνη στην παραγωγή της στο κατάστημα συσκευασίας. Χρησιμοποιεί την ικανότητα του AI να αναγνωρίζει μια εικόνα. Η κάμερα καταγράφει όλες τις ενέργειες του υπαλλήλου σαρώνοντας τον γραμμωτό κώδικα που είναι τυπωμένος στα ρούχα και στέλνει τα δεδομένα στον υπολογιστή. Ο αριθμός των συναλλαγών που πραγματοποιούνται επηρεάζει άμεσα την αμοιβή του εργαζομένου.

Στην ζυθοποιία

Η Carlsberg χρησιμοποιεί μηχανική εκμάθηση για να επιλέξει μαγιά και να επεκτείνει τη γκάμα της. Η τεχνολογία υλοποιείται με βάση μια ψηφιακή πλατφόρμα cloud.

Στην τραπεζική

Η ανάγκη για αξιόπιστη επεξεργασία δεδομένων, η ανάπτυξη τεχνολογιών κινητής τηλεφωνίας, η διαθεσιμότητα πληροφοριών και η διάδοση λογισμικού ανοιχτού κώδικα καθιστούν την τεχνητή νοημοσύνη μια τεχνολογία με ζήτηση στον τραπεζικό τομέα. Όλο και περισσότερες τράπεζες συγκεντρώνουν κεφάλαια μέσω εταιρειών ανάπτυξης εφαρμογών για κινητά. Οι νέες τεχνολογίες βελτιώνουν την εξυπηρέτηση των πελατών και οι αναλυτές προβλέπουν ότι εντός πέντε ετών, η τεχνητή νοημοσύνη στις τράπεζες θα λάβει τις περισσότερες αποφάσεις μόνη της.

Στη μεταφορά

Η ανάπτυξη τεχνολογιών τεχνητής νοημοσύνης είναι ο μοχλός της βιομηχανίας μεταφορών. Η παρακολούθηση της κατάστασης του δρόμου, ο εντοπισμός πεζών ή αντικειμένων σε λάθος σημεία, η αυτόνομη οδήγηση, οι υπηρεσίες cloud στην αυτοκινητοβιομηχανία είναι μερικά μόνο παραδείγματα χρήσης της τεχνητής νοημοσύνης στις μεταφορές.

Στα logistics

Η δύναμη της τεχνητής νοημοσύνης δίνει τη δυνατότητα στις εταιρείες να προβλέπουν καλύτερα τη ζήτηση και να δημιουργούν αλυσίδες εφοδιασμού πιο οικονομικά. Η τεχνητή νοημοσύνη συμβάλλει στη μείωση του αριθμού των οχημάτων που απαιτούνται για τη μεταφορά, στη βελτιστοποίηση των χρόνων παράδοσης και στη μείωση του λειτουργικού κόστους των εγκαταστάσεων μεταφοράς και αποθήκευσης.

Στην αγορά ειδών και υπηρεσιών πολυτελείας

Οι μάρκες πολυτελείας έχουν επίσης στραφεί στην ψηφιακή για να αναλύσουν τις ανάγκες των πελατών. Μία από τις προκλήσεις που αντιμετωπίζουν οι προγραμματιστές σε αυτό το τμήμα είναι η διαχείριση και ο επηρεασμός των συναισθημάτων των πελατών. Ο Dior προσαρμόζει ήδη την τεχνητή νοημοσύνη για τη διαχείριση των αλληλεπιδράσεων πελατών-μάρκας μέσω chatbots. Οι μάρκες πολυτελείας θα ανταγωνίζονται στο μέλλον και το επίπεδο εξατομίκευσης που μπορούν να επιτύχουν με την τεχνητή νοημοσύνη θα είναι καθοριστικό.

Στη δημόσια διοίκηση

Οι κρατικοί μηχανισμοί πολλών χωρών δεν είναι ακόμη έτοιμοι για τις προκλήσεις που κρύβονται στις τεχνολογίες τεχνητής νοημοσύνης. Οι ειδικοί προβλέπουν ότι πολλές από τις υπάρχουσες κυβερνητικές δομές και διαδικασίες που έχουν εξελιχθεί τους τελευταίους αιώνες είναι πιθανό να καταστούν άσχετες στο εγγύς μέλλον.

Στην ιατροδικαστική

Διαφορετικές προσεγγίσεις τεχνητής νοημοσύνης χρησιμοποιούνται για τον εντοπισμό εγκληματιών σε δημόσιους χώρους. Σε ορισμένες χώρες, όπως η Ολλανδία, η αστυνομία χρησιμοποιεί τεχνητή νοημοσύνη για τη διερεύνηση περίπλοκων εγκλημάτων. Η ψηφιακή εγκληματολογία είναι μια αναδυόμενη επιστήμη που απαιτεί την εξόρυξη τεράστιων ποσοτήτων πολύ περίπλοκων συνόλων δεδομένων.

Στο δικαστικό σώμα

Οι εξελίξεις στον τομέα της τεχνητής νοημοσύνης θα βοηθήσουν στη ριζική αλλαγή του δικαστικού συστήματος, θα το καταστήσουν πιο δίκαιο και απαλλαγμένο από διαφθορά. Ένα από τα πρώτα AI στο δικαστικό σύστημα άρχισε να χρησιμοποιεί την Κίνα. Μπορεί να υποτεθεί ότι οι κριτές ρομπότ θα μπορούν τελικά να λειτουργούν με μεγάλα δεδομένα από αποθετήρια δημόσιων υπηρεσιών. Η μηχανική νοημοσύνη αναλύει έναν τεράστιο όγκο δεδομένων και δεν βιώνει συναισθήματα όπως ένας ανθρώπινος κριτής. Η τεχνητή νοημοσύνη μπορεί να έχει τεράστιο αντίκτυπο στην επεξεργασία πληροφοριών και στη συλλογή στατιστικών στοιχείων, καθώς και στην πρόβλεψη πιθανών αδικημάτων με βάση την ανάλυση δεδομένων.

Στον αθλητισμό

Η εφαρμογή της τεχνητής νοημοσύνης στον αθλητισμό έχει γίνει συνηθισμένη τα τελευταία χρόνια. Οι αθλητικές ομάδες (μπέιζμπολ, ποδόσφαιρο κ.λπ.) αναλύουν τα δεδομένα απόδοσης μεμονωμένων παικτών, λαμβάνοντας υπόψη διάφορους παράγοντες στην επιλογή. Η τεχνητή νοημοσύνη μπορεί να προβλέψει τις μελλοντικές δυνατότητες των παικτών αναλύοντας την τεχνική του παιχνιδιού, τη φυσική κατάσταση και άλλα δεδομένα, καθώς και να αξιολογήσει την αγοραία αξία τους.

Στην ιατρική της υγείας

Αυτός ο τομέας εφαρμογής αυξάνεται ραγδαία. Η τεχνητή νοημοσύνη χρησιμοποιείται στη διάγνωση ασθενειών, στην κλινική έρευνα, στην ανάπτυξη φαρμάκων και στην ασφάλιση υγείας. Επιπλέον, υπάρχει τώρα μια έκρηξη στις επενδύσεις σε πολυάριθμες ιατρικές εφαρμογές και συσκευές.

Ανάλυση συμπεριφοράς πολιτών

Η παρατήρηση της συμπεριφοράς των πολιτών χρησιμοποιείται ευρέως στον τομέα της ασφάλειας, συμπεριλαμβανομένης της παρακολούθησης της συμπεριφοράς σε ιστότοπους (στο στα κοινωνικά δίκτυα) και σε messengers. Για παράδειγμα, το 2018, Κινέζοι επιστήμονες κατάφεραν να εντοπίσουν 20 χιλιάδες πιθανούς αυτοκτονίες και να τους παράσχουν ψυχολογική βοήθεια. Τον Μάρτιο του 2018, ο Βλαντιμίρ Πούτιν έδωσε εντολή να ενταθούν οι ενέργειες των κρατικών φορέων για την καταπολέμηση των αρνητικών επιπτώσεων των καταστροφικών κινημάτων στα κοινωνικά δίκτυα.

Στην ανάπτυξη του πολιτισμού

Οι αλγόριθμοι τεχνητής νοημοσύνης αρχίζουν να δημιουργούν έργα τέχνης που είναι δύσκολο να διακριθούν από εκείνα που δημιουργήθηκαν από τον άνθρωπο. Η τεχνητή νοημοσύνη προσφέρει στους δημιουργικούς ανθρώπους πολλά εργαλεία για να ζωντανέψουν ιδέες. Αυτή τη στιγμή, η κατανόηση του ρόλου του καλλιτέχνη με την ευρεία έννοια αλλάζει, καθώς η τεχνητή νοημοσύνη παρέχει πολλές νέες μεθόδους, αλλά θέτει επίσης πολλά νέα ερωτήματα για την ανθρωπότητα.

Ζωγραφική

Η τέχνη θεωρείται από καιρό η αποκλειστική σφαίρα της ανθρώπινης δημιουργικότητας. Αλλά αποδεικνύεται ότι οι μηχανές μπορούν να κάνουν πολύ περισσότερα στον δημιουργικό τομέα από ό,τι συνειδητοποιούν οι άνθρωποι. Τον Οκτώβριο του 2018, ο οίκος Christie's πούλησε τον πρώτο πίνακα τεχνητής νοημοσύνης για 432.500 δολάρια. Χρησιμοποιήθηκε ένας αλγόριθμος παραγωγικού αντιπάλου δικτύου, ο οποίος ανέλυσε 15.000 πορτρέτα που δημιουργήθηκαν μεταξύ του 15ου και του 20ου αιώνα.

ΜΟΥΣΙΚΗ

Έχουν αναπτυχθεί αρκετά μουσικά προγράμματα που χρησιμοποιούν τεχνητή νοημοσύνη για τη δημιουργία μουσικής. Όπως και σε άλλους τομείς, η τεχνητή νοημοσύνη σε αυτήν την περίπτωση προσομοιώνει επίσης μια διανοητική εργασία. Ένα αξιοσημείωτο χαρακτηριστικό είναι η ικανότητα ενός αλγορίθμου τεχνητής νοημοσύνης να μαθαίνει από πληροφορίες που λαμβάνονται, όπως η τεχνολογία παρακολούθησης υπολογιστή που είναι ικανή να ακούει και να ακολουθεί έναν άνθρωπο ερμηνευτή. Η τεχνητή νοημοσύνη οδηγεί επίσης αυτό που είναι γνωστό ως τεχνολογία διαδραστικής σύνθεσης, στην οποία ένας υπολογιστής συνθέτει μουσική ως απόκριση σε ζωντανή παράσταση ενός μουσικού. Στις αρχές του 2019, η Warner Music υπέγραψε το πρώτο συμβόλαιο με έναν ερμηνευτή - τον αλγόριθμο Endel. Σύμφωνα με τους όρους της σύμβασης, το νευρωνικό δίκτυο Endel θα κυκλοφορήσει 20 μοναδικά άλμπουμ κατά τη διάρκεια του έτους.

φωτογραφία

Η τεχνητή νοημοσύνη αλλάζει γρήγορα τον τρόπο που σκεφτόμαστε τη φωτογραφία. Σε λίγα μόλις χρόνια, οι περισσότερες από τις εξελίξεις σε αυτόν τον τομέα θα επικεντρωθούν στην τεχνητή νοημοσύνη και όχι στην οπτική ή στους αισθητήρες, όπως πριν. Για πρώτη φορά, η πρόοδος στην τεχνολογία της φωτογραφίας δεν θα σχετίζεται με τη φυσική και θα δημιουργήσει ένα εντελώς νέος τρόποςφωτοσκέψης. Ακόμη και τώρα, το νευρωνικό δίκτυο αναγνωρίζει τις παραμικρές αλλαγές κατά τη μοντελοποίηση προσώπων σε προγράμματα επεξεργασίας φωτογραφιών.

Βίντεο: εναλλαγή προσώπου

Το 2015, το Facebook άρχισε να δοκιμάζει την τεχνολογία DeepFace στον ιστότοπο. Το 2017, ο χρήστης του Reddit DeepFakes βρήκε έναν αλγόριθμο για τη δημιουργία ρεαλιστικών βίντεο εναλλαγής προσώπων χρησιμοποιώντας νευρωνικά δίκτυα και μηχανική μάθηση.

ΜΜΕ και λογοτεχνία

Το 2016, η Google AI, αφού ανέλυσε 11.000 αδημοσίευτα βιβλία, άρχισε να γράφει τα πρώτα της λογοτεχνικά έργα. Οι ερευνητές του Facebook AI Research το 2017 κατέληξαν σε ένα σύστημα νευρωνικών δικτύων που μπορεί να γράψει ποίηση για οποιοδήποτε θέμα. Τον Νοέμβριο του 2015, άνοιξε η κατεύθυνση της προετοιμασίας αυτόματων κειμένων από τη ρωσική εταιρεία Yandex.

Πηγαίνετε παιχνίδια, πόκερ, σκάκι

Το 2016, μια τεχνητή νοημοσύνη κέρδισε έναν άνθρωπο στο Go (ένα παιχνίδι με περισσότερες από 10.100 επιλογές). Στο σκάκι, ο υπερυπολογιστής νίκησε τον άνθρωπο παίκτη λόγω της ικανότητας αποθήκευσης στη μνήμη κινήσεων που έπαιξαν ποτέ άνθρωποι και προγραμματισμού νέων 10 βημάτων μπροστά. Το πόκερ παίζεται τώρα από bots, αν και παλαιότερα πίστευαν ότι ήταν σχεδόν αδύνατο να εκπαιδεύσετε έναν υπολογιστή για να παίξετε αυτό το παιχνίδι με κάρτες. Κάθε χρόνο οι προγραμματιστές βελτιώνουν τους αλγόριθμους όλο και περισσότερο.

Αναγνώριση προσώπου

Η τεχνολογία αναγνώρισης προσώπου χρησιμοποιείται τόσο για ροές φωτογραφιών όσο και για βίντεο. Τα νευρωνικά δίκτυα δημιουργούν ένα διανυσματικό ή «ψηφιακό» πρότυπο προσώπου και στη συνέχεια αυτά τα πρότυπα συγκρίνονται μέσα στο σύστημα. Βρίσκει σημεία αναφοράς στο πρόσωπο που καθορίζουν τα ατομικά χαρακτηριστικά. Ο αλγόριθμος για τον υπολογισμό των χαρακτηριστικών είναι διαφορετικός για κάθε ένα από τα συστήματα και είναι το κύριο μυστικό των προγραμματιστών.

Για την περαιτέρω ανάπτυξη και εφαρμογή της AI, είναι απαραίτητο να εκπαιδεύσετε, πρώτα απ 'όλα, ένα άτομο

Σεργκέι Σίρκιν

Κοσμήτορας της Σχολής Τεχνητής Νοημοσύνης

Οι τεχνολογίες τεχνητής νοημοσύνης με τη μορφή που χρησιμοποιούνται τώρα υπάρχουν εδώ και περίπου 5-10 χρόνια, αλλά για να εφαρμοστούν, παραδόξως, χρειάζεται ένας μεγάλος αριθμός απότων ανθρώπων. Αντίστοιχα, το κύριο κόστος στον τομέα της τεχνητής νοημοσύνης είναι το κόστος των ειδικών. Επιπλέον, σχεδόν όλες οι βασικές τεχνολογίες της τεχνητής νοημοσύνης (βιβλιοθήκες, πλαίσια, αλγόριθμοι) είναι δωρεάν και είναι δημόσια. Κάποτε, η εύρεση ειδικών μηχανικής μάθησης ήταν σχεδόν αδύνατη. Αλλά τώρα, σε μεγάλο βαθμό λόγω της ανάπτυξης του MOOC (eng. Massive Open Online Course, massive open online course), υπάρχουν περισσότερα από αυτά. πιο ψηλά Εκπαιδευτικά ιδρύματαπαρέχουν επίσης ειδικούς, αλλά συχνά πρέπει να ολοκληρώσουν τις σπουδές τους σε διαδικτυακά μαθήματα.

Τώρα η τεχνητή νοημοσύνη μπορεί κάλλιστα να αναγνωρίσει ότι ένα άτομο σχεδιάζει να αλλάξει δουλειά και μπορεί να του προσφέρει κατάλληλα διαδικτυακά μαθήματα, πολλά από τα οποία μπορούν να γίνουν μόνο με ένα smartphone. Και αυτό σημαίνει ότι μπορείτε να εξασκηθείτε ακόμη και ενώ βρίσκεστε στο δρόμο - για παράδειγμα, στο δρόμο για τη δουλειά. Ένα από τα πρώτα τέτοια έργα ήταν ο διαδικτυακός πόρος Coursera, αλλά αργότερα εμφανίστηκαν πολλά παρόμοια έργα. εκπαιδευτικά έργα, καθένα από τα οποία καταλαμβάνει μια συγκεκριμένη θέση στη διαδικτυακή εκπαίδευση.

Πρέπει να καταλάβετε ότι η τεχνητή νοημοσύνη, όπως και κάθε πρόγραμμα, είναι κατά κύριο λόγο ένας κώδικας, δηλαδή ένα κείμενο σχεδιασμένο με συγκεκριμένο τρόπο. Αυτός ο κώδικας χρειάζεται ανάπτυξη, συντήρηση και βελτίωση. Δυστυχώς, αυτό δεν συμβαίνει από μόνο του· χωρίς προγραμματιστή, ο κώδικας δεν μπορεί να "ζωντανέψει". Επομένως, όλοι οι φόβοι για την παντοδυναμία της τεχνητής νοημοσύνης είναι αβάσιμοι. Τα προγράμματα δημιουργούνται για αυστηρά καθορισμένες εργασίες, δεν έχουν συναισθήματα και φιλοδοξίες όπως ένα άτομο, δεν εκτελούν ενέργειες που δεν τους έβαλε ο προγραμματιστής.

Μπορούμε να πούμε ότι στην εποχή μας, η τεχνητή νοημοσύνη έχει μόνο ατομικές ανθρώπινες δεξιότητες, αν και μπορεί να ξεπεράσει τον μέσο άνθρωπο στην ταχύτητα της εφαρμογής τους. Είναι αλήθεια ότι πολλές ώρες προσπάθειας χιλιάδων προγραμματιστών ξοδεύονται για την ανάπτυξη κάθε τέτοιας δεξιότητας. Το μέγιστο που μπορεί να κάνει η τεχνητή νοημοσύνη μέχρι στιγμής είναι να αυτοματοποιήσει ορισμένες σωματικές και ψυχικές λειτουργίες, απελευθερώνοντας έτσι τους ανθρώπους από τη ρουτίνα.

Η χρήση της τεχνητής νοημοσύνης εγκυμονεί κινδύνους; Μάλλον, τώρα υπάρχει ο κίνδυνος να μην δούμε τη δυνατότητα χρήσης τεχνολογιών τεχνητής νοημοσύνης. Πολλές εταιρείες το γνωρίζουν αυτό και προσπαθούν να αναπτυχθούν σε πολλές κατευθύνσεις ταυτόχρονα, με την ελπίδα ότι μία από αυτές μπορεί να «πυροβολήσει». Ένα ενδεικτικό παράδειγμα είναι τα ηλεκτρονικά καταστήματα: τώρα μόνο όσοι συνειδητοποίησαν την ανάγκη χρήσης τεχνητής νοημοσύνης, όταν δεν ήταν ακόμη σε τάση, παρέμειναν στη ζωή, αν και ήταν πολύ πιθανό να «εξοικονομήσουμε χρήματα» και να μην προσκαλέσουμε τους απαραίτητους μαθηματικούς-προγραμματιστές χωρίς λόγο. .

Η προοπτική ανάπτυξης της τεχνητής νοημοσύνης

Οι υπολογιστές μπορούν πλέον να κάνουν πολλά πράγματα που μπορούσαν να κάνουν μόνο οι άνθρωποι: να παίζουν σκάκι, να αναγνωρίζουν τα γράμματα του αλφαβήτου, να ελέγχουν την ορθογραφία, τη γραμματική, να αναγνωρίζουν πρόσωπα, να υπαγορεύουν, να μιλάνε, να κερδίζουν παραστάσεις παιχνιδιών και πολλά άλλα. Όμως οι σκεπτικιστές επιμένουν. Μόλις αυτοματοποιηθεί μια ανθρώπινη ικανότητα, οι σκεπτικιστές λένε ότι είναι απλώς ένα άλλο πρόγραμμα υπολογιστή και όχι ένα παράδειγμα αυτο-μάθησης AI. Οι τεχνολογίες AI βρίσκουν μόνο ευρεία εφαρμογή και έχουν τεράστιες δυνατότητες ανάπτυξης σε όλους τους τομείς. Με τον καιρό, η ανθρωπότητα θα δημιουργεί όλο και πιο ισχυρούς υπολογιστές, οι οποίοι θα βελτιώνονται όλο και περισσότερο στην ανάπτυξη της τεχνητής νοημοσύνης.

Ο σκοπός της τεχνητής νοημοσύνης είναι να βάλει το ανθρώπινο μυαλό σε έναν υπολογιστή;

Υπάρχει μόνο μια πρόχειρη κατανόηση του πώς λειτουργεί ο ανθρώπινος εγκέφαλος. Μέχρι στιγμής, δεν μπορούν να μιμηθούν όλες οι ιδιότητες του μυαλού χρησιμοποιώντας AI.

Μπορεί το AI να φτάσει σε ανθρώπινα επίπεδα νοημοσύνης;

Οι επιστήμονες προσπαθούν να διασφαλίσουν ότι η τεχνητή νοημοσύνη μπορεί να λύσει ακόμη πιο διαφορετικά προβλήματα. Είναι όμως πρόωρο να μιλάμε για την επίτευξη του επιπέδου της ανθρώπινης νοημοσύνης, αφού η σκέψη δεν περιορίζεται μόνο σε έναν αλγόριθμο.

Πότε μπορεί η τεχνητή νοημοσύνη να φτάσει στο επίπεδο της ανθρώπινης σκέψης;

Σε αυτό το στάδιο συσσώρευσης και ανάλυσης πληροφοριών, στο οποίο έχει φτάσει πλέον η ανθρωπότητα, η τεχνητή νοημοσύνη απέχει πολύ από την ανθρώπινη σκέψη. Ωστόσο, στο μέλλον, ενδέχεται να προκύψουν πρωτοποριακές ιδέες που θα επηρεάσουν ένα απότομο άλμα στην ανάπτυξη της τεχνητής νοημοσύνης.

Μπορεί ένας υπολογιστής να γίνει ευφυής μηχανή;

Ένα μέρος οποιασδήποτε πολύπλοκης μηχανής είναι ένα σύστημα υπολογιστή, και εδώ μπορούμε να μιλήσουμε μόνο για ευφυή συστήματα υπολογιστών. Ο ίδιος ο υπολογιστής δεν είναι έξυπνος.

Υπάρχει σχέση μεταξύ της ταχύτητας και της ανάπτυξης της νοημοσύνης στους υπολογιστές;

Όχι, η ταχύτητα είναι υπεύθυνη μόνο για ορισμένες ιδιότητες της νοημοσύνης. Από μόνη της, η ταχύτητα επεξεργασίας και ανάλυσης πληροφοριών δεν αρκεί για να εμφανιστεί η ευφυΐα.

Είναι δυνατόν να δημιουργηθεί μια παιδική μηχανή που θα μπορούσε να αναπτυχθεί μέσω της ανάγνωσης και της αυτομάθησης;

Αυτό έχει συζητηθεί από ερευνητές για σχεδόν εκατό χρόνια. Μάλλον, η ιδέα κάποια στιγμή θα υλοποιηθεί. Σήμερα, τα προγράμματα τεχνητής νοημοσύνης δεν επεξεργάζονται και δεν χρησιμοποιούν όσες περισσότερες πληροφορίες μπορούν τα παιδιά.

Πώς σχετίζονται η θεωρία υπολογισιμότητας και η υπολογιστική πολυπλοκότητα με την τεχνητή νοημοσύνη;

Η θεωρία της υπολογιστικής πολυπλοκότητας επικεντρώνεται στην ταξινόμηση των υπολογιστικών προβλημάτων σύμφωνα με την εγγενή πολυπλοκότητά τους και στη συσχέτιση αυτών των κατηγοριών μεταξύ τους. Ένα υπολογιστικό πρόβλημα είναι ένα πρόβλημα που λύνεται από έναν υπολογιστή. Το πρόβλημα υπολογισμού είναι επιλύσιμο με τη μηχανική εφαρμογή μαθηματικών βημάτων, όπως ένας αλγόριθμος.

συμπέρασμα

Η τεχνητή νοημοσύνη είχε ήδη τεράστιο αντίκτυπο στην ανάπτυξη του κόσμου μας, κάτι που ήταν αδύνατο να προβλεφθεί ακόμη και πριν από έναν αιώνα. Τα δίκτυα έξυπνων τηλεφώνων δρομολογούν τις κλήσεις πιο αποτελεσματικά από οποιονδήποτε ανθρώπινο φορέα. Τα αυτοκίνητα κατασκευάζονται σε μη επανδρωμένα εργοστάσια από αυτοματοποιημένα ρομπότ. Η τεχνητή νοημοσύνη ενσωματώνεται στα πιο συνηθισμένα είδη οικιακής χρήσης, όπως η ηλεκτρική σκούπα. Οι μηχανισμοί της τεχνητής νοημοσύνης δεν είναι πλήρως κατανοητοί, αλλά οι ειδικοί προβλέπουν ότι η ανάπτυξη της τεχνητής νοημοσύνης θα έρθει ακόμη πιο κοντά στην ανάπτυξη του ανθρώπινου εγκεφάλου τα επόμενα χρόνια.

Η τεχνητή νοημοσύνη και οι τεχνολογίες μηχανικής μάθησης έχουν πάψει να είναι επιστημονική φαντασία και έχουν ήδη γίνει μέρος της ζωής μας. Ο κύριος μοχλός της ανάπτυξής τους είναι οι μεγάλες επιχειρήσεις: βιομηχανία, λιανικό εμπόριο, τραπεζικές συναλλαγές. Τα προβλήματα και οι ιδιαιτερότητες της εφαρμογής της τεχνητής νοημοσύνης στη Ρωσία συζητήθηκαν με την Jet Infosystems.

Vladimir MolodykhΕπικεφαλής της Διεύθυνσης Ανάπτυξης και Εφαρμογής Λογισμικού της Jet Infosystems

Ποια είναι η σημασία των τεχνολογιών τεχνητής νοημοσύνης σήμερα; Ποιες ευκαιρίες και σε ποιους τομείς ανοίγει η ανάπτυξη της τεχνητής νοημοσύνης στους ανθρώπους;

Μπορούμε να μιλήσουμε για την τεχνητή νοημοσύνη ως φιλοσοφική και μελλοντολογική έννοια από ταινίες για το μέλλον. Αν όμως μιλήσουμε για πραγματική ζωή, τότε συνεπάγεται έναν ή τον άλλο συνδυασμό μεθόδων μηχανικής μάθησης: όταν παίρνουμε ένα μεγάλο σύνολο συσσωρευμένων δεδομένων, δημιουργούμε ένα μοντέλο στη βάση του με τη βοήθεια ειδικών προηγμένων μαθηματικών και του διδάσκουμε να λύνει ένα συγκεκριμένο πρόβλημα.

Δηλαδή, στην πραγματική ζωή, η τεχνητή νοημοσύνη είναι εφαρμόσιμη σε περιοχές όπου υπάρχει μεγάλος όγκος συσσωρευμένων δεδομένων. Είναι διαφορετικών τύπων. Όταν έχετε τρεις τύπους δεδομένων υπό όρους, τότε ένας αναλυτής μπορεί να τα χειριστεί. Αλλά αν υπάρχουν περισσότερες από χίλιες παράμετροι, και μερικές από αυτές είναι αδόμητες, τότε αυτό δεν θα χωρέσει στο κεφάλι κανενός αναλυτή. Σε τέτοιες περιπτώσεις, ο ανθρώπινος νους, υποστηριζόμενος από τα αναλυτικά εργαλεία της προηγούμενης τεχνολογικής τάξης, δεν είναι σε θέση να αναλύσει τα πάντα κανονικά. Θα απλοποιήσει, θα λάβει τρεις ή τέσσερις βασικές παραμέτρους. Και τότε είναι που η μηχανική μάθηση - ποια είναι η πρακτική εφαρμογή της τεχνητής νοημοσύνης - αποδεικνύεται αποτελεσματική.

Γιατί σήμερα μιλούν για τεχνητή νοημοσύνη, αν και εκ πρώτης όψεως, τα αντίστοιχα μαθηματικά και οι υπολογιστές υπήρχαν πριν από είκοσι χρόνια;

Αν μιλάμε για εξαιρετικά εξειδικευμένες εργασίες, τότε η μηχανική εκμάθηση έχει χρησιμοποιηθεί στο παρελθόν εκεί. Υπάρχουν τέσσερις βασικοί παράγοντες λόγω των οποίων μπορούμε να πούμε ότι η τεχνητή νοημοσύνη είναι μια νέα παγκόσμια τάση που αλλάζει τον κόσμο. Το πρώτο είναι ότι υπάρχουν περισσότερα δεδομένα, για παράδειγμα, αν παλαιότερα υπήρχαν μόνο χάρτινα αρχεία στην παραγωγή, τώρα υπάρχουν αισθητήρες στα μηχανήματα που συλλέγουν πληροφορίες. Ο δεύτερος και ο τρίτος παράγοντας είναι η αύξηση της υπολογιστικής ισχύος συν η ανάπτυξη των αντίστοιχων τομέων των μαθηματικών. Το κόστος των λύσεων μειώνεται: λόγω της μείωσης του κόστους του "σιδήρου", τώρα δεν είναι απαραίτητο να περιμένουμε την απόσβεση του έργου στην παραγωγή για δέκα χρόνια. Και τέλος, η επιχειρηματική πρακτική αναπτύσσεται σταδιακά, εμφανίζονται ειδικοί με εμπειρία έργων σε αυτόν τον τομέα.

Γιατί η διαδικασία εισαγωγής της τεχνητής νοημοσύνης στη Ρωσία πηγαίνει αργά;

Ειναι ετσι. Τώρα στη Ρωσία μιλούν πραγματικά περισσότερο για την τεχνητή νοημοσύνη από ό,τι στην πραγματικότητα. Το θέμα είναι μοντέρνο και για να το αναφέρουν "στην κορυφή", πολλοί ανακοινώνουν κάποιο είδος hackathon και δείχνουν φωτογραφίες στο Instagram. Και το αποτέλεσμα που αλλάζει την επιχείρηση δεν φαίνεται. Με βάση την εμπειρία μας, βλέπουμε ότι στους περισσότερους από τους μεγαλύτερους οργανισμούς στη Ρωσία, η τεχνητή νοημοσύνη εφαρμόζεται με επιτυχία μόνο στο 5-7% των περιπτώσεων από αυτό για το οποίο μιλούν.

Το γεγονός είναι ότι πρόκειται για ένα νέο είδος έργου με το οποίο εξακολουθούν να μην ξέρουν πώς να συνεργαστούν σωστά. Αυτή είναι μια περίπλοκη ιστορία: με τη βοήθεια της μηχανικής μάθησης, μια εργασία μπορεί να λυθεί αρκετά γρήγορα, αλλά αυτό απαιτεί σημαντική αναδιάρθρωση των επιχειρηματικών διαδικασιών. Παράδειγμα: μπορείτε να δημιουργήσετε ένα μοντέλο μεμονωμένων προτάσεων για πελάτες μιας αλυσίδας λιανικής, αλλά εάν το κλασικό μάρκετινγκ λειτουργεί μαζί με αυτό, για παράδειγμα, προωθήσεις με το στυλ "έκπτωση 10% σε όλα", τότε αυτές οι συστάσεις δεν θα λειτουργήσουν. Ή, για παράδειγμα, κατασκευάσαμε ένα μοντέλο για την πρόβλεψη ελαττωμάτων και βλαβών αυτοκινήτων στον στόλο, αλλά ενώ κατασκευαζόταν αυτό το μοντέλο, ο προμηθευτής καυσίμων άλλαξε. Και αυτά είναι επίσης δεδομένα που επηρεάζουν το μοντέλο - και καταρρέει. Δηλαδή, ο οργανισμός πρέπει να αλλάξει έτσι ώστε οι διαδικασίες του να αντιστοιχούν στις εργασίες που μπορούν να επιλυθούν με τη χρήση μηχανικής μάθησης: αποτελεσματική δημιουργία ανταλλαγής δεδομένων μεταξύ τμημάτων κ.λπ. Αυτό είναι ένα σύνολο αλλαγών που πρέπει να είστε σε θέση να κάνετε και πρέπει να είστε έτοιμοι να παλέψετε για αυτό.

Βρισκόμαστε ακόμη στο στάδιο της δημιουργίας της αγοράς και λόγω της καινοτομίας της, προκύπτουν δυσκολίες. Συγκεκριμένα, συναντήσαμε μια κατάσταση στην παραγωγή, όταν οι άνθρωποι σκέφτηκαν: «Λοιπόν, δεν είμαστε εμείς που θα πολεμήσουμε τον γάμο, αλλά κάποιο μοντέλο τεχνητής νοημοσύνης και, όπως αποδεικνύεται, δεν χρειαζόμαστε». Τα κίνητρα υπέφεραν και αντί να βοηθήσουν τους ανθρώπους ασχολήθηκαν με την κριτική. Μπροστά στη διοίκηση, αφενός, υπάρχει κάποιος ειδικός δεδομένων από τη Μόσχα, και από την άλλη, ένας 45χρονος που γνωρίζει την παραγωγή μέσα και έξω, που λέει: «Αυτό δεν θα λειτουργήσει, αλλά εσείς δεν καταλαβαίνω τίποτα." Και είναι σαφές ότι σε μια τέτοια κατάσταση ο σκηνοθέτης δεν αισθάνεται πολύ σίγουρος.

Ποιες βιομηχανίες στη Ρωσία χρησιμοποιούν συχνότερα την τεχνητή νοημοσύνη και γιατί;

Πρώτον, πρόκειται για καινοτόμες εταιρείες Διαδικτύου. Το ίδιο "Yandex" - εκεί χρησιμοποιείται γενικά παντού. Αν πάρουμε τις μεγάλες βιομηχανίες, τότε το λιανικό εμπόριο, καθώς και οι τράπεζες και οι ασφαλιστικές εταιρείες, θα είναι πρώτα. Αλλά είμαι απολύτως βέβαιος ότι οι μεγαλύτερες δυνατότητες για την τεχνητή νοημοσύνη είναι στη βιομηχανία: αυτές είναι πραγματικές διαδικασίες παραγωγής με πραγματικά χρήματα και δυνατότητα μείωσης του κόστους. Αλλά αυτός ο κλάδος εξακολουθεί να υστερεί κάπως, γιατί είναι πιο συντηρητικός από το λιανεμπόριο, το οποίο, λόγω του ανταγωνιστικού περιβάλλοντος, πρέπει να αναπτυχθεί πολύ γρήγορα.

Όπου υπάρχουν πολλά δεδομένα. Το αποτέλεσμα θα είναι ιδιαίτερα μεγάλο στη βιομηχανία. Κριτήρια - η διαθεσιμότητα των δεδομένων και τι μπορεί να βελτιστοποιηθεί. Αυτά μπορεί να είναι εργασίες συντήρησης, επισκευής, καταπολέμησης του γάμου, πρόβλεψης, "ψηφιακά δίδυμα" που σας επιτρέπουν να κάνετε ανάλυση. Είναι πιο σωστό να μην κοιτάμε τα υποκαταστήματα, αλλά το είδος των εργασιών. Εάν πρόκειται για παραγωγή τεμαχίου όπως η παραγωγή μαχητικών αεροσκαφών, τότε για τις περισσότερες εργασίες απλά δεν θα υπάρχει ο απαραίτητος όγκος δεδομένων. Και αν είναι μεγάλης κλίμακας όπως ο χάλυβας έλασης ή η μαζική συναρμολόγηση αυτοκινήτων, τότε η τεχνητή νοημοσύνη θα είναι αποτελεσματική εδώ.

Γιατί να εφαρμόσετε AI στην επιχείρηση;

Μια επιχείρηση συνήθως κερδίζει χρήματα - και με αυτόν τον τρόπο θα κερδίσει περισσότερα. Σήμερα, οι διαδικασίες παραγωγής γίνονται πιο περίπλοκες βήμα προς βήμα, υπάρχουν όλο και περισσότεροι παράγοντες και αποχρώσεις. Αν νωρίτερα ολόκληρη η διαδικασία παραγωγής χωρούσε στο κεφάλι ενός τεχνολόγου, τώρα είναι πέρα ​​από αυτό που μπορεί να λάβει υπόψη ένα άτομο ή μια ομάδα ανθρώπων. Κατά συνέπεια, η ολοένα και πιο περίπλοκη διαδικασία παραγωγής απαιτεί νέες λύσεις, ιδίως τεχνητή νοημοσύνη και μηχανική μάθηση.

Επιπλέον, τα άτομα με ορισμένες μοναδικές ικανότητες είναι ιδιαίτερα πολύτιμα στην παραγωγή. Μπορούν να αρρωστήσουν, να συνταξιοδοτηθούν και η χρήση της τεχνητής νοημοσύνης αυξάνει την ανθεκτικότητα της επιχείρησης σε σχέση με τον ανθρώπινο παράγοντα.

Ποιες είναι οι πιο κοινές παρανοήσεις σχετικά με την τεχνητή νοημοσύνη που συναντάτε συχνότερα;

Οι αυταπάτες είναι δύο ειδών. Πρώτον: «Τώρα θα πάρω έναν ειδικό δεδομένων, θα φτιάξει ένα μοντέλο για μένα και σε μερικές εβδομάδες όλα θα πετάξουν μαζί μου». Αυτό δεν συμβαίνει ποτέ. Άλλος τύπος: «Όλα είναι μυθοπλασία και παραμύθια, αλλά έχουμε μια διαφορετική ζωή στην οποία όλα αυτά είναι ανεφάρμοστα». Και η αλήθεια είναι στην πραγματικότητα κάπου στη μέση.

Υπάρχει μια ευρέως διαδεδομένη πεποίθηση ότι με την πάροδο του χρόνου, η τεχνητή νοημοσύνη θα είναι σε θέση να αντικαταστήσει πλήρως τους ανθρώπους στη μεταποίηση και σε άλλους κλάδους. Το μοιράζεσαι;

Σε μια κλίμακα τριών-πέντε-δέκα ετών, θα προκύψουν συγκεκριμένοι τομείς στους οποίους θα αντικατασταθεί ένα άτομο. Τα μη επανδρωμένα οχήματα δοκιμάζονται αυτή τη στιγμή και πιθανότατα θα αντικαταστήσουν σταδιακά τους οδηγούς, επειδή επιτρέπει τη μείωση του ποσοστού ατυχημάτων και την αποφυγή πληρωμής χρημάτων στους οδηγούς. Αν μιλάμε για επιχειρήσεις, τότε αυτό συμβαίνει ακριβώς μπροστά στα μάτια μας. Αν νωρίτερα κάποιος έπαιρνε αποφάσεις μόνος του, τώρα το κάνει με τη βοήθεια της μηχανικής μάθησης ή της ρομποτικής. Εκεί που δούλευαν εκατό άτομα, τώρα μπορεί να υπάρχει ένας τεχνολόγος, ένας επιστήμονας δεδομένων και τα υπόλοιπα γίνονται από μηχανές.

Αντικαθίστανται στην πρώτη θέση θα είναι τυπικές εργασίες. Οι άνθρωποι που ασχολούνται με ατομικές, δημιουργικές εργασίες είναι ασφαλείς προς το παρόν. Και σε περιοχές όπου χιλιάδες εργαζόμενοι στις ίδιες θέσεις εργάζονται σύμφωνα με τους κανόνες, σε τρία με πέντε χρόνια θα αντικατασταθούν από την τεχνητή νοημοσύνη.

Πώς να ξεκινήσετε τη διαδικασία εφαρμογής AI στην επιχείρηση;

Το πρώτο βήμα είναι να βρείτε μια έμπειρη ομάδα που να καταλαβαίνει πώς να το κάνει. Γιατί εδώ υπάρχουν πολλές παγίδες και πρέπει να αντιμετωπιστούν. Το δεύτερο είναι να βρείτε εργασίες που μπορούν να επιλυθούν προς όφελος της επιχείρησης, να δημιουργήσετε ικανές, λογικές μετρήσεις και να κατανοήσετε πώς να τις μετατρέψετε σε χρήματα. Άλλωστε, η γρήγορη επιτυχία είναι επίσης σημαντική.

Πώς αποφασίζετε αν θα το κάνετε μόνοι σας ή θα προσλάβετε έναν εργολάβο;

Οποιαδήποτε εταιρεία θα πρέπει σταδιακά να προχωρήσει προς το να γίνει η πληροφορική όχι απλώς μια υποστηρικτική λειτουργία για αυτήν, αλλά κάτι που βοηθά στην απόκτηση χρημάτων. Αυτό σημαίνει ότι πρέπει να αναπτύξει ικανότητες πληροφορικής και αυτό δεν είναι μια γρήγορη διαδικασία. Ως εκ τούτου, στο αρχικό στάδιο, είναι λογικό να συμμετέχουν ειδικοί και στη συνέχεια να αποφασίζουν μαζί τους ποιους τομείς θα πρέπει να αναπτύξει η ίδια η εταιρεία και σε ποιους θα βασίζεται σε συνεργάτες.

Πώς να επιλέξετε έναν συνεργάτη;

Είναι σημαντικό να κατανοήσουμε ότι το θέμα της τεχνητής νοημοσύνης είναι πολύπλοκο. Χρειαζόμαστε μια ομάδα που όχι μόνο κατανοεί αναλυτικά στατιστικά, επιστήμη δεδομένων, μηχανική μάθηση, αλλά έχει επίσης πολύπλοκες ικανότητες: από τη διαχείριση έργου έως την ικανότητα εργασίας με δεδομένα, συστήματα υψηλού φορτίου και καθαρισμό δεδομένων. Η ασφάλεια των πληροφοριών είναι επίσης σημαντική, επειδή οι νέοι τύποι λύσεων πληροφορικής συνεπάγονται νέες απειλές πληροφορικής, ενώ οι παλιές απειλές δεν εξαφανίζονται. Επομένως, χρειαζόμαστε μια ομάδα που μπορεί να τα κάνει όλα αυτά.

Πώς βλέπετε να αλλάζει η τεχνολογία AI στο μέλλον;

Σε πρακτικούς όρους, ενώ είναι σημαντικό να κυριαρχήσετε αυτό που είναι. Αν μιλάμε για το μέλλον, μου φαίνεται ότι η τεχνολογία θα κινηθεί πρωτίστως προς την ενισχυτική μάθηση, την αυτομάθηση, όταν το σύστημα εκπαιδεύεται με βάση φρέσκα δεδομένα. Αλλά προς το παρόν, αυτό είναι περισσότερο θεωρία παρά πράξη. Όταν πρόκειται να διδάξετε έναν υπολογιστή πώς να παίζει το Go, η ενισχυτική μάθηση λειτουργεί. Και σε πιο σύνθετα πρακτικά προβλήματα, όχι τόσο μακριά.

Υπάρχουν πολλές πλατφόρμες για πρακτική συζήτηση των προβλημάτων τεχνητής νοημοσύνης στη Ρωσία;

Υπάρχουν πολλά διαφορετικά φόρουμ και όλοι μιλούν για AI. Το θέμα είναι η διαφημιστική εκστρατεία, εδώ μπορεί να αποδειχθεί όπως με τη νανοτεχνολογία. Βλέποντας όλα αυτά, διοργανώνουμε το δικό μας Ρωσικό Φόρουμ Τεχνητής Νοημοσύνης (RAIF). Φέτος θα διεξαχθεί για τρίτη φορά και θα πραγματοποιηθεί στις 22-23 Οκτωβρίου στο Skolkovo στο πλαίσιο του διεθνούς φόρουμ Open Innovations. Εκεί μιλάμε μόνο για πρακτική: ποια είναι τα προβλήματα σε αυτόν τον τομέα, οι δυσκολίες κ.λπ.

Τι είναι κυρίως θέματο φετινό φόρουμ;

Φέτος, το κύριο θέμα του φόρουμ είναι πώς να «σπρώξουμε» ένα έργο τεχνητής νοημοσύνης σε εμπορική λειτουργία ώστε να φέρει αποτελέσματα. Εστιάζουμε επίσης σε όλα τα σχετικά θέματα. Έχουμε ενότητες για μεγάλα δεδομένα, ασφάλεια πληροφοριών, υλικό. Συγκεντρώνουμε μαθηματικούς, προγραμματιστές, ειδικούς υλικού, ειδικούς σε υποδομές και λειτουργία.

Μιλάμε για πραγματική πρακτική, όχι για επιστημονικά προβλήματα - αν και έχουμε ξεχωριστή ενότητα για αυτό. Πρώτα απ 'όλα, συγκεντρώνουμε ανθρώπους που υλοποιούν έργα τεχνητής νοημοσύνης, μιλούν για τη δική τους εμπειρία, επισημαίνουν παγίδες. Και το πιο σημαντικό, θεωρούμε πάντα καθήκοντα σε ένα σύνθετο, στο πλαίσιο ενός έργου, και όχι κάποιο είδος φιλοσοφίας ή επιστήμης.

Boris Kobrinsky, Διδάκτωρ Ιατρικών Επιστημών, Επικεφαλής του Εργαστηρίου του Ινστιτούτου Σύγχρονων Τεχνολογιών Πληροφορικής στην Ιατρική, FRC IU RAS, Καθηγητής του Ρωσικού Εθνικού Ερευνητικού Ιατρικού Πανεπιστημίου. N. I. Pirogov.

Ποια είναι η διαφορά μεταξύ της τεχνητής νοημοσύνης και της ανθρώπινης νοημοσύνης; Είναι δίκαιο να αποκαλούμε νοημοσύνη AI;

Η φυσική νοημοσύνη χαρακτηρίζεται από πολλές λειτουργίες. Μερικά από αυτά εφαρμόζονται σε συστήματα τεχνητής νοημοσύνης, αλλά η κύρια διαφορά μεταξύ της φυσικής νοημοσύνης και της τεχνητής νοημοσύνης είναι η ικανότητα σύνθεσης νέας γνώσης και αναγνώρισης άγνωστων προτύπων. Η τεχνητή νοημοσύνη είναι ένας καθιερωμένος όρος, ωστόσο, που σχετίζεται με μια όχι απόλυτα ακριβή μετάφραση από τα αγγλικά. Τεχνητή Νοημοσύνη σημαίνει «η ικανότητα να συλλογίζεσαι έξυπνα». Τα συστήματα που δημιουργούνται σε αυτή τη βάση ονομάζονται ορθότερα συστήματα με στοιχεία τεχνητής νοημοσύνης.

- Είναι δυνατόν να πούμε ότι η τεχνητή νοημοσύνη δεν είναι παρά ένα εργαλείο του ανθρώπου;

Δύσκολα αξίζει να μιλήσουμε σε μια τέτοια διατύπωση. Τα ευφυή συστήματα είναι συμβουλευτικά ή βοηθητικά στη λήψη αποφάσεων από ένα άτομο.

Θα ήταν σημαντικό να δοθεί στον αναγνώστη μια δημοφιλής περιγραφή της μαθηματικής συσκευής στην οποία λειτουργεί η τεχνητή νοημοσύνη. Και τι αντιπροσωπεύει από καθαρά τεχνική άποψη: μόνο ισχυροί υπερυπολογιστές; Ή χρειάζεστε κάποια ειδικά εργαλεία και συσκευές;

Από την αρχή, τα περισσότερα συστήματα τεχνητής νοημοσύνης δεν βασίζονταν στη μαθηματική συσκευή, αλλά στη λογική χρησιμοποιώντας μέσα για διάλογο με τον χρήστη σε φυσική γλώσσα (λογικά-γλωσσικά συστήματα), κάτι που δεν ήταν δυνατό για προηγούμενα υπολογιστικά συστήματα. Επί του παρόντος, τα υβριδικά ευφυή συστήματα περιλαμβάνουν, μαζί με τη λογική, διάφορες μαθηματικές μεθόδους ανάλυσης. Αλλά μια βάση γνώσεων είναι υποχρεωτική για έξυπνα συστήματα, που περιέχει επίσημες γνώσεις για μια συγκεκριμένη περιοχή, για την οποία χρησιμοποιούνται διάφορες γλώσσες αναπαράστασης γνώσης. Για τη λειτουργία αυτών των συστημάτων, χρησιμοποιούνται συμβατικοί υπολογιστές. Οι υπερυπολογιστές επιτρέπουν μόνο την επιτάχυνση της επεξεργασίας δεδομένων, κάτι που είναι σημαντικό για δυναμικά συστήματα σε πραγματικό χρόνο - για παράδειγμα, για τον έλεγχο των κινητήρων ενός διαστημικού σκάφους και είναι απαραίτητο, για παράδειγμα, για τις μετεωρολογικές προβλέψεις. Εξαίρεση αποτελούν τα νευρωνικά δίκτυα στα οποία πραγματοποιείται η μαθηματική επεξεργασία των εισαγόμενων πληροφοριών, αλλά δεν υπάρχει επιχειρηματολογία και λογική των αποφάσεων, δεν υπάρχει βάση γνώσεων της θεματικής περιοχής και επεξήγηση των υποθέσεων που προτάθηκαν (λύσεις). Αλλά η προσέγγιση του νευρωνικού δικτύου είναι μια τεχνολογία που μιμείται σε κάποιο βαθμό το έργο του εγκεφάλου, η αληθινή κατανόηση του οποίου είναι ακόμα ανοιχτή.

Δεν καταλαβαίνουμε (σε γενικές γραμμές) πώς λειτουργεί ο ανθρώπινος εγκέφαλος. Είναι πλέον πλήρως κατανοητό πώς λειτουργεί το AI; Ή έχουν ήδη εμφανιστεί τέτοια μαύρα κουτιά, όπου συμβαίνει κάτι αόριστο;

Τα πλήρως ευφυή συστήματα, όπως ήδη αναφέρθηκε παραπάνω, χαρακτηρίζονται ακριβώς από το γεγονός ότι ο χρήστης λαμβάνει μια εξήγηση των υποθέσεων που προβάλλει το σύστημα τόσο κατά τη διαδικασία εξέτασης όσο και κατά την ολοκλήρωση της εργασίας (τελική υπόθεση). Τα μαύρα κουτιά είναι νευρωνικά δίκτυα που δεν παρέχουν εξηγήσεις.

Υπάρχει ένα αστείο ότι η τεχνητή νοημοσύνη απαντά στη γνωστή σχολική ρητορική "αν πηδήξουν όλοι από τον πέμπτο όροφο, θα πηδήξεις κι εσύ;" θα απαντήσει «ναι». Πόσο αστείο είναι αυτό; Ποιες είναι γενικά οι γνωστικές δυνατότητες της τεχνητής νοημοσύνης, θα είναι ποτέ συγκρίσιμες με τις ανθρώπινες;

Τα ρομπότ διδάσκονται με διαφορετικούς τρόπους, αλλά υπάρχει μια προσέγγιση που βασίζεται στη μάθηση με το παράδειγμα. Εάν το χρησιμοποιήσετε, τότε θεωρητικά θα ήταν δυνατό να επιτευχθεί ότι το ρομπότ πήδηξε σοβαρά από οποιοδήποτε όροφο. Αλλά θα σπάσει και δεν θα ξαναπηδήξει. Ταυτόχρονα, οι γνωστικές ικανότητες των συστημάτων που βασίζονται σε AI αυξάνονται. Αλλά μια ισορροπημένη αξιολόγηση υποδηλώνει ότι η τεχνητή νοημοσύνη δεν θα μπορεί να συγκριθεί με τη φυσική νοημοσύνη, τουλάχιστον στην εφεύρεση μιας νέας. Δεν ξέρουμε πώς ο άνθρωπος επινόησε τον τροχό, ο οποίος δεν έχει ανάλογο στη φύση. Πώς να εκπαιδεύσετε μια τέτοια τεχνητή νοημοσύνη. Η νέα γνώση δεν αναδύεται στον εγκέφαλο κάθε ανθρώπου.

Τώρα μια πιο πρακτική ερώτηση: σε ποιους τομείς η τεχνητή νοημοσύνη θα αντικαταστήσει αξιόπιστα τον άνθρωπο; Πού θα έχει πλεονέκτημα; Που δεν μπορεί ποτέ να συγκριθεί με έναν άντρα; Για παράδειγμα, υπάρχει πιθανότητα να λύσει ένα από τα ανοιχτά προβλήματα των μαθηματικών - ας πούμε, να αποδείξει την αλγεβρική ανεξαρτησία των αριθμών ϖ και e;

Το AI είναι σε θέση να επαναλαμβάνει γρήγορα διάφορες επιλογές, μπορεί να αντικαταστήσει έναν άνθρωπο ή να παρέχει βοήθεια σε ένα άτομο σε πολλούς τομείς με μια γνωστή ή κατανοητή προσέγγιση στη λήψη αποφάσεων: στην ανάλυση δεδομένων, λαμβάνοντας υπόψη διαφορετικές σχέσεις, στην επιλογή βέλτιστων λύσεων, στην παρακολούθηση καταστάσεων και στη διαχείριση. τα ρομπότ μπορούν να εκτελέσουν διάφορες εργασίες (σε δύσκολες συνθήκες, στο σπίτι, στη δουλειά, στην υγειονομική περίθαλψη κ.λπ.). Τα έξυπνα συστήματα υποστήριξης αποφάσεων θα βοηθήσουν τους ανθρώπους. Τα ρομπότ θα τα αντικαταστήσουν σε πολλές εργασίες όπου μπορείτε να δημιουργήσετε αλγόριθμους για ανθρώπινες ενέργειες. Είναι πιθανό στα μαθηματικά, κατά την απόδειξη θεωρημάτων, η τεχνητή νοημοσύνη να είναι σε θέση να λύνει σύνθετα προβλήματα στο μέλλον. Αλλά και πάλι, πρέπει να σημειώσω ότι θα του είναι απρόσιτο να ανακαλύψει θεμελιωδώς νέες κατευθύνσεις στην επιστήμη.

- Είναι δυνατές κοινότητες τεχνητής νοημοσύνης; Αμοιβαία βοήθεια και επίγνωση κοινών συμφερόντων;

Ναι, είναι δυνατές κοινότητες εκπροσώπων τεχνητής νοημοσύνης και η αμοιβαία συνδρομή τους. Αυτή είναι η ανάπτυξη των σημερινών συστημάτων πολλαπλών πρακτόρων - εικονικές κοινότητες ευφυών πρακτόρων, καθεμία από τις οποίες αλληλεπιδρά με έναν άλλο, και υπάρχουν πράκτορες υψηλότερου επιπέδου, συντονιστές και παρατηρητές που παρέχουν μια αλλαγή στο πρόγραμμα αλληλεπίδρασης των ευφυών πρακτόρων.

- Θα έχει η τεχνητή νοημοσύνη Δημιουργικές δεξιότητες? Επιρροή?

Αν με τη δημιουργικότητα κατανοούμε την ανάπτυξη του γνωστού, τότε ναι, αν η δημιουργία κάτι εντελώς άγνωστου πριν, τότε όχι. Η επιρροή πρέπει να αποδοθεί στο τελευταίο. Αλλά οι συσχετιστικοί σύνδεσμοι λαμβάνουν χώρα ήδη σε συστήματα AI.

- Συγκεκριμένα, η τεχνητή νοημοσύνη μπορεί να αντικαταστήσει την ιατρική διαίσθηση, για την οποία έχετε δουλειά;

Ευφυή συστήματα βασισμένα στην τεχνογνωσία ιατρών υψηλής εξειδίκευσης με διαίσθηση και εικονιστική σκέψη, μπορεί να περιλαμβάνει διαισθητικές αναπαραστάσεις στην περίπτωση που μπορούν να εξαχθούν για να σχηματίσουν μια βάση γνώσεων. Η εμπειρία μου είναι ότι αυτό μπορεί να επιτευχθεί με ομαδική μάθηση, απελευθερώνοντας την ιατρική διαίσθηση ενός ειδικού, ρωτώντας άλλους ειδικούς με επιδέξια διαχείριση συζήτησης.

Ο ανταγωνισμός της τεχνητής νοημοσύνης - χώρας ή σε επίπεδο εταιρειών - πόσο σκληρός είναι; Ποια είναι η θέση της Ρωσίας στον αγώνα AI;

Δεν υπάρχει εμφανής ανταγωνισμός μεταξύ των χωρών. Ίσως μπορείτε να μιλήσετε για επιστήμονες που παρακολουθούν ο ένας τη δουλειά του άλλου. Σε επίπεδο εταιρείας, αυτό συνδέεται με την απόκτηση κεφαλαίων για ανάπτυξη ή/και κέρδος από την ολοκληρωμένη εργασία. Στη Ρωσία, η περίοδος της δεκαετίας του '70 - αρχές της δεκαετίας του '90 του περασμένου αιώνα συνοδεύτηκε από τη δημιουργία μεγάλου αριθμού συστημάτων και ενδιαφέρουσες θεωρητικές εξελίξεις. Η επακόλουθη υποχρηματοδότηση των εργασιών σε αυτόν τον τομέα οδήγησε σε πτώση. Αν και το έργο δεν έχει σταματήσει. Λαμβάνοντας υπόψη την ιατρική ως παράδειγμα, πρέπει να σημειωθεί ότι, παρά τις επανειλημμένες δηλώσεις σχετικά με την ανάγκη για τέτοια συστήματα, δεν υπάρχει ουσιαστικά χρηματοδότηση για αυτά, με εξαίρεση τις εργασίες για επιχορηγήσεις στο σύστημα της Ρωσικής Ακαδημίας Επιστημών. θετικά παραδείγματαΣε αυτόν τον τομέα, οι εξελίξεις του Ομοσπονδιακού Ερευνητικού Κέντρου "Επιστήμη και Έλεγχος Υπολογιστών" της Ρωσικής Ακαδημίας Επιστημών (ένα έξυπνο σύστημα στον τομέα της εξοικονόμησης υγείας, επικεντρωμένο στη διαχείριση κινδύνων σε έμφραγμα του μυοκαρδίου, εγκεφαλικό και κατάθλιψη, και έξυπνα συστήματα για αυτοματοποιημένη υποστήριξη ιατρικής έρευνας που υλοποιείται με βάση τη μέθοδο JSM αυτόματης δημιουργίας υποθέσεων) και το Ινστιτούτο Διαδικασιών Αυτοματισμού και Ελέγχου, Παράρτημα Άπω Ανατολής της Ρωσικής Ακαδημίας Επιστημών (διάγνωση πεπτικών ασθενειών και άλλα που εφαρμόζονται βάσει οντολογιών ).

- Περιγράψτε, παρακαλώ, τι απειλές φέρνει η ανάπτυξη της τεχνητής νοημοσύνης.

Μου φαίνεται λάθος να μιλάμε για τις απειλές της τεχνητής νοημοσύνης. Ο κίνδυνος μπορεί να είναι η χρήση τεχνητής νοημοσύνης σε συσκευές που λειτουργούν κοντά σε ανθρώπους ή αντικαθιστούν το προσωπικό, για παράδειγμα, σε νοσοκομεία. Η υποτίμηση των παραγόντων που μπορούν να οδηγήσουν σε τραυματισμό άλλων θα πρέπει να θεωρείται ως η κύρια απειλή τώρα και στο μέλλον. Αυτό ισχύει επίσης για τους αυτόματους πιλότους και τα συστήματα ελέγχου για διάφορες παραγωγικές διαδικασίες, διασφαλίζοντας τη λειτουργία των λεγόμενων έξυπνων νοσοκομείων.

Η αγορά ενός αυτοκινήτου ξεκινά με την αγορά ενός μπρελόκ.
Από τους προσωπικούς αφορισμούς του συγγραφέα

Πώς διαφέρουν οι άνθρωποι από τις μηχανές με τεχνητή νοημοσύνη; Μία από τις όχι και τόσο συνηθισμένες απαντήσεις στο ερώτημα που τίθεται είναι η ενσυναίσθηση. Αν μεταφράσουμε τον ορισμό της ενσυναίσθησης που δίνεται στο Λεξικό της Οξφόρδης της αγγλικής γλώσσας, ακούγεται κάπως έτσι: η ενσυναίσθηση είναι η ικανότητα να ταυτίζεσαι νοητικά με ένα άλλο άτομο ή ένα αντικείμενο που παρατηρείς (ή να το κατανοείς πλήρως). Αυτό είναι σύμφωνο με τον συνηθισμένο ορισμό από τη Wikipedia: «Η ενσυναίσθηση (ελληνικά ἐν - «σε» + ελληνικά πάθος - πάθος, βάσανα, συναίσθημα) είναι συνειδητή ενσυναίσθηση με την τρέχουσα συναισθηματική κατάσταση ενός άλλου ατόμου χωρίς να χάνεται η αίσθηση της εξωτερικής προέλευσης αυτού εμπειρία." Συμφωνώ, αυτό είναι πολύ χαρακτηριστικόπου διακρίνει τους ανθρώπους από μια προγραμματισμένη μηχανή. Αυτό το θέμα αγγίζεται ελάχιστα στην τεχνική βιβλιογραφία και θα ήθελα να σταθώ σε αυτό με περισσότερες λεπτομέρειες, ειδικά υπό το πρίσμα των προβλημάτων τεχνητής νοημοσύνης, φαίνεται σημαντικό.

Μια αποκλειστική ευκαιρία να χρησιμοποιήσει υλικό για αυτό το θέμα σε ρωσική μετάφραση δόθηκε στον συγγραφέα του άρθρου από τον Jason Miller, επικεφαλής μάρκετινγκ στη Microsoft στην περιοχή EMEA και ο οποίος κάποτε δημοσίευσε το άρθρο «Μπορεί μια μηχανή να έχει ενσυναίσθηση;» στο LinkedIn. («Μπορεί μια μηχανή να δείξει ενσυναίσθηση;»). Είχαμε μια σύντομη συζήτηση για αυτό το θέμα, κατά την οποία αποδείχθηκε ότι οι απόψεις μας για το πρόβλημα και τους κινδύνους της ανεξέλεγκτης ανάπτυξης και χρήσης της τεχνητής νοημοσύνης συμπίπτουν. Τώρα προσπαθούν να μετατρέψουν την τεχνητή νοημοσύνη σε ένα είδος μυαλού, δηλαδή να την προικίσουν με καθαρά ανθρώπινα χαρακτηριστικά - την ίδια ενσυναίσθηση που αξιολόγησε ο Jason Miller ως προς τη δυνατότητα χρήσης της στο μάρκετινγκ. Σύμφωνα με τον συγγραφέα αυτού του άρθρου, η περιοχή πιθανής εφαρμογής της ενσυναίσθησης είναι πολύ ευρύτερη. Συμφωνώ, είναι πολύ πιο ευχάριστο να επικοινωνείς με ένα φιλικό συνεργατικό βιομηχανικό ρομπότ, αν μπορείς να ανταλλάξεις λίγα λόγια μαζί του και να αστειευτείς, σε συναντά ευγενικό λόγοκαι, αξιολογώντας σας με αισθητήρες (τους έχει ακόμα), επιλέγει το κατάλληλο μοντέλο συμπεριφοράς. Αυτό είναι πολύ καλύτερο από το να μπεις στη δουλειά με έναν «έξυπνο» εσωτερικό, αλλά έναν ανόητα βουητό μηχανισμό στο εξωτερικό. Και αν αυτό είναι ένα σπίτι, αν και λογισμικό, βοηθός ή προσωπικός βοηθός - δεν υπάρχει τίποτα να πούμε.

Όσον αφορά την ενσυναίσθηση, τον περασμένο Μάιο στο I/O Developers Conference, η Google παρουσίασε το νέο της σύστημα Duplex. Είναι μια εικονική βοηθός με τεχνητή νοημοσύνη και είναι σε θέση να πραγματοποιεί τηλεφωνικές κλήσεις για να οργανώσει βέλτιστα το πρόγραμμα του «αφεντικού» της. Το κοινό παρακολούθησε το Duplex να παραγγέλνει στο εστιατόριο και να κάνει κούρεμα στο κουρείο. Γέλασαν με έκπληξη όταν, κατά τη διάρκεια της συνομιλίας, προφανώς έπεισε τον άνθρωπο στην άλλη άκρη της τηλεφωνικής γραμμής ότι μιλούσε σε άτομο και όχι σε πρόγραμμα. Εδώ μπορούμε να λάβουμε υπόψη την ψυχολογία μας: ο συγγραφέας του άρθρου παρατήρησε ένα παρόμοιο φαινόμενο όταν αναπτύχθηκε και έκανε πίσω στη δεκαετία του 1980. πρωτότυπος γραμματέας-πληροφοριακός (αυτό που αργότερα ονομάστηκε τηλεφωνητής). Εκείνη την εποχή, σχεδόν όλοι οι άνθρωποι προσπάθησαν να μιλήσουν με αυτό το πρωτότυπο, γιατί όταν τηλεφώνησαν, άκουγαν μια ηχογράφηση ανθρώπινης ομιλίας.

Η επίδειξη Duplex πυροδότησε μια ζωηρή συζήτηση στα μέσα κοινωνικής δικτύωσης, ενώ ανέδειξε μία ενδιαφέρον Ρωτήστε. Η ικανότητα ενός τεχνητού συστήματος να κατανοεί και να στέλνει σήματα συνομιλίας με τέτοιο τρόπο ώστε μια μηχανή να μπορεί να μάθει ενσυναίσθηση; Αυτό είναι ένα από τα πιο σημαντικά ερωτήματα στην εξελισσόμενη συζήτηση σχετικά με την τεχνητή νοημοσύνη, τον ρόλο της στην κοινωνία και τον βαθμό στον οποίο θα διεισδύσει στα γηγενή ανθρώπινα πεδία.

Όταν ο Jason Miller έθεσε αυτήν την ερώτηση σε ένα κοινό στο LinkedIn, έλαβε τρεις πολύ διαφορετικούς τύπους απαντήσεων - και αυτές οι απαντήσεις βοηθούν πολύ στην κατανόηση του μέλλοντος της τεχνητής νοημοσύνης. Δίνουν μια καλή ιδέα για το τι σκέφτονται οι επαγγελματίες για τις δυνατότητες της τεχνητής νοημοσύνης, καθώς και πώς μπορούν να χρησιμοποιηθούν αυτές οι δυνατότητες της τεχνητής νοημοσύνης.

Η πρώτη απάντηση είναι «ναι, ένα μηχάνημα μπορεί να μάθει ενσυναίσθηση» ή «ναι, επειδή η τεχνητή νοημοσύνη τελικά θα είναι σε θέση να κάνει ό,τι μπορεί να κάνει ο ανθρώπινος εγκέφαλος». Έχει υποστηριχθεί ότι η ενσυναίσθηση μπορεί να προγραμματιστεί με παρόμοιο τρόπο με την αντίληψή μας. Για τους υποστηρικτές αυτής της θεωρίας, είμαστε μηχανές και ο εγκέφαλός μας είναι ένας πολύ καλός υπολογιστής, ακόμα και κβαντικός, αλλά, όπως ένας συνηθισμένος υπολογιστής, με κατάλληλο προγραμματισμό.

Η δεύτερη απάντηση είναι όχι, δεν μπορεί, γιατί η ενσυναίσθηση είναι ένα μοναδικό ανθρώπινο χαρακτηριστικό, όχι κάτι που μπορεί να βιώσει μια μηχανή. Και μπορεί να νιώσει τίποτα; Αν και η Ava από την ταινία "Ex Machine", η οποία λήφθηκε ως παράδειγμα της ανάπτυξης της AI, τουλάχιστον έδειξε ενσυναίσθηση και τη χρησιμοποίησε με επιτυχία. Αν στραφούμε σε άλλα παραδείγματα, τότε στην ταινία «Her», ένα αμερικανικό μελόδραμα φαντασίας σε σκηνοθεσία και σενάριο του Spike Jonze, 2013, το οποίο είναι σημαντικό από τη σκοπιά που εξετάζουμε, φαίνεται πολύ καλά η σημασία αυτής της ποιότητας, αφού η ταινία χτίστηκε πλήρως πάνω της και της λείπει η φυσική ενσάρκωση του AI, που παρουσιάζεται με τη μορφή του νευρωνικού δικτύου της Samantha (σύμφωνα με την ταινία "OSes"). Η ενσυναίσθηση επιτρέπει όχι μόνο να «νιώσεις τον εαυτό σου», αλλά και να νιώσεις τον πόνο, τις εμπειρίες και τα συναισθήματα κάποιου άλλου σε μεγαλύτερο ή μικρότερο βαθμό. Δεν καταλαβαίνουμε την οργάνωση της συνείδησης στους ανθρώπους, πόσο μάλλον τη δυνατότητα δημιουργίας αυτής της συνείδησης τεχνητά με σωστή επαλήθευση (αυθεντικοποίηση, με τεχνικούς όρους).

Η τρίτη απάντηση είναι ιδιαίτερα ενδιαφέρουσα. Αυτό δεν είναι καν μια απάντηση, αλλά μάλλον μια ερώτηση: αν η μηχανή φαίνεται να έχει ενσυναίσθηση, έχει σημασία αν αυτή η ενσυναίσθηση είναι πραγματική ή όχι; Λειτουργικά, δεν υπάρχει διαφορά: είναι αυτό το μηχάνημα ικανό για τα ίδια συναισθήματα με εμάς ή απλώς αντλεί αυτά τα συναισθήματα από τα σήματα που του στέλνουν οι ίδιοι οι άνθρωποι ή οι αισθητήρες του, αναπτύσσει την πιο κατάλληλη απόκριση, αντίδραση. Φανταστείτε ότι δεν μπορούμε να καταλάβουμε εάν η ενσυναίσθηση είναι γνήσια επειδή ένα ρομπότ βαθιάς μάθησης έχει μάθει τις εκφράσεις του προσώπου μας και το μοτίβο της συμπεριφοράς μας - μπορούμε τότε να δούμε ένα ρομπότ ως μηχανή;

Αυτό απέχει πολύ από το να είναι εύκολη ερώτηση. Έχει σημασία η διάκριση μεταξύ πραγματικής και «τεχνητής» ενσυναίσθησης; Εδώ η γνώμη του συγγραφέα του άρθρου συμπίπτει με την απάντηση του Jason Miller - ναι, συμβαίνει. Αν πάμε πίσω στην ταινία «Ex machine»: Η Ava το απέδειξε με επιτυχία και ο Caleb, όπως λένε, πιάστηκε σαν τα κοτόπουλα στη λαχανόσουπα, χωρίς να το περιμένει. Ίσως, αν δεν είχε την εικόνα ενός κοριτσιού, ειδικά δημιουργημένου για τις προτιμήσεις του, όλα θα ήταν διαφορετικά. Εμπιστευόμαστε τα αρσενικά πολύ λιγότερο, και δυσάρεστα, από την άποψή μας, εξωτερικά ακόμη περισσότερο, οπότε ο προγραμματιστής του Newton έλαβε υπόψη αυτό το γεγονός εδώ. Και στην ταινία "She", ο Theodore, ξεκινώντας με τη χρήση των λειτουργιών ενός βοηθού, απλά ερωτεύτηκε μια γυναικεία φωνή, η οποία αντικατέστησε τη ζωντανή επικοινωνία γι 'αυτόν.

Ρύζι. ένας.

Η προοπτική χρήσης της τεχνητής νοημοσύνης ως βοηθός είναι γενικά χαρακτηριστική - πάρτε, για παράδειγμα, την ίδια εξαιρετικά αρνητική, αν όχι εχθρική, που αντιλήφθηκε ο Elon Musk Sophia, ο οποίος τον Οκτώβριο του 2017 έγινε υποκείμενο της Σαουδικής Αραβίας και το πρώτο ρομπότ που έλαβε υπηκοότητα οποιαδήποτε χώρα (Εικ. 1).

Αλλά πίσω στην αρχική ερώτηση: μπορεί μια μηχανή να συμπάσχει με κάποιον; Αυτό είναι ένα από εκείνα τα ερωτήματα που μπορεί να αλλάξουν στο μέλλον. Φυσικά, μια μηχανή δεν μπορεί να βιώσει ενσυναίσθηση εξ ορισμού, όλα καταλήγουν στον ορισμό της ενσυναίσθησης και μιας μηχανής.

Οι μηχανές δεν μπορούν να ταυτιστούν διανοητικά με τους ανθρώπους γιατί αυτό που συμβαίνει στο ανθρώπινο μυαλό μας περιλαμβάνει πράγματα που μια μηχανή δεν μπορεί ποτέ να βιώσει μόνη της, ανεξάρτητα από το πόσο προηγμένες και βαθιές μπορεί να είναι οι δικές της αναλυτικές διαδικασίες και αισθητηριακές αντιλήψεις. Όταν συζητάμε τον ρόλο της τεχνητής νοημοσύνης στην κοινωνία, είναι σημαντικό να είμαστε σαφείς γιατί τα πράγματα είναι όπως έχουν. Παρόλο που δεν καταλαβαίνουμε πραγματικά τον εαυτό μας. Ο δημοσιογράφος του CNBC, Άντριου Ρος Σόρκιν, ρώτησε τη Σοφία σε συνέντευξη Τύπου: «Έχουν τα ρομπότ μυαλό και αυτογνωσία;». Στην οποία εκείνη απάντησε τα εξής: «Και να σε ρωτήσω ως απάντηση, πώς ξέρεις ότι είσαι άνθρωπος;».

Το μηχάνημα μπορεί να έρθει πιο κοντά μας, αλλά φαίνεται στον συγγραφέα του άρθρου (και όχι μόνο σε αυτόν) ότι ποτέ δεν θα μπορέσει να κατανοήσει πλήρως το άτομο. Η συνείδησή μας περιέχει πολύ περισσότερα από μια λογική γνώση και λογική σκέψη. Στην πραγματικότητα, αυτή η ικανότητα ορθολογικής σκέψης είναι υποπροϊόν των περισσότερων άλλων πτυχών της συνείδησής μας, και όχι από μόνη της η ελεγκτική δύναμη του εγκεφάλου μας. Η συνειδητή ζωή μας καθοδηγείται από το πώς αντιλαμβανόμαστε τον κόσμο μέσω των αισθήσεών μας. Είναι ένας συνδυασμός όρασης, ήχου, αφής, γεύσης και οσμής που κανένα μηχάνημα δεν μπορεί ποτέ να βιώσει με τον ίδιο τρόπο.

Η ανθρώπινη συνείδηση ​​καθοδηγείται επίσης από τις ισχυρές βιολογικές μας παρορμήσεις και ανάγκες. Καμία μηχανή δεν θα νιώσει ποτέ τι σημαίνει να πεινάς ή να διψάς. Στην πραγματικότητα, καμία μηχανή δεν θα είναι σε θέση, όπως στην ταινία "Her", να συμπονέσει και να προσεγγίσει μια άλλη μηχανή ή άτομο, και δεν θα παρακινηθεί από την επιθυμία για αγάπη και όλα τα συναισθήματα που συνοδεύουν αυτή τη φυσική διαδικασία για ένα άτομο. . Θυμηθείτε πώς στην ταινία το αυτοκίνητο άρχισε να φλερτάρει με πολλούς ανθρώπους ταυτόχρονα και δεν κατάλαβε γιατί ο Θοδωρής προσβλήθηκε από αυτό.

Άλλωστε τι συναγερμό μπορεί να έχει ένα αυτοκίνητο; Κανένα μηχάνημα δεν φοβάται τη μοναξιά, χάνει μια στέγη πάνω από το κεφάλι του και δεν αισθάνεται μια ισχυρή ευπάθεια που προκαλείται από φόβο για τη σωματική του ασφάλεια, εκτός και αν «νιώσει» πτώση ισχύος στο σύστημα ισχύος ή απαράδεκτη αύξηση της θερμοκρασίας εάν είναι ένα φυσικό αντικείμενο με AI. Έτσι, στην απάντησή της στη δημοσιογράφο Σοφία είναι λάθος, ο νευρολόγος Antonio Damasio προτείνει να λυθεί αυτό το πρόβλημα με τον εξής τρόπο: «Δεν σκεφτόμαστε μηχανές που αισθάνονται, αλλά μπορούμε να νιώσουμε μηχανές που σκέφτονται».

Τελευταίο αλλά όχι λιγότερο σημαντικό, η συνείδησή μας διαμορφώνεται από το συλλογικό μυαλό και την πολιτιστική μνήμη που δημιουργήθηκε κατά την ανάπτυξη του πολιτισμού μας. Είμαστε το προϊόν της συλλογικής συσσώρευσης, κατά τη διάρκεια πολλών χιλιάδων ετών, των κοινών μας συναισθημάτων και αισθητηριακών εμπειριών, που μεταβιβάζονται από γενιά σε γενιά και αντικατοπτρίζονται στην ιστορία. Συζητήσεις, γενικά αστεία, σαρκασμός, συμβολισμοί είναι όλα απίστευτα διακριτικά ψυχολογικά σήματα. Το ίδιο συλλογικό μυαλό αναπτύσσει ηθική και αξίες στις οποίες μπορούμε να συμφωνήσουμε όλοι ενστικτωδώς, ακόμα κι αν δεν δικαιολογούνται λογικά. Αν πιστεύετε τα δημοσιεύματα του Τύπου, αν και μοιάζει με άλλο ψεύτικο, τότε στο Πανεπιστήμιο του Στάνφορντ προσπαθούν να διδάξουν την τεχνητή νοημοσύνη να αστειεύεται και αναπτύσσουν ένα νευρωνικό δίκτυο προικισμένο με μια περίεργη αίσθηση του χιούμορ. Σύμφωνα με τους προγραμματιστές, το έργο αποδείχθηκε δύσκολο, καθώς το AI λειτουργεί σύμφωνα με έναν συγκεκριμένο αλγόριθμο και αυτό αποκλείει τον αυτοσχεδιασμό. Μέχρι στιγμής, το συμπέρασμα είναι απογοητευτικό: δεν μπορείτε να κάνετε την τεχνητή νοημοσύνη αστεία, ακόμα κι αν ανεβάσετε όλα τα αστεία και τα ανέκδοτα του κόσμου στο νευρωνικό δίκτυο.

Τίποτα άλλο δεν επικοινωνεί όπως οι άνθρωποι - και οι άνθρωποι δεν επικοινωνούν με τίποτα άλλο με τον τρόπο που επικοινωνούμε μεταξύ μας. Αυτό είναι σημαντικό γιατί ο μόνος τρόπος για να αποκτήσουμε μερίδιο στη συλλογική μας νοημοσύνη είναι να αλληλεπιδράσουμε με ένα άτομο. Εάν δεν αλληλεπιδρούμε με τις μηχανές με τον ίδιο τρόπο όπως με άλλους ανθρώπους, αυτή η συλλογική εμπειρία και ευφυΐα απλά δεν είναι διαθέσιμη σε αυτούς. Δεν αποτελούν μέρος του συστήματος ενσυναίσθησης μας. Ναι, μπορεί να λυπόμαστε για τον «αγαπημένο» μας υπολογιστή, ίσως να μην τον πετάξουμε καν. Ο συγγραφέας του άρθρου κράτησε το πρώτο του - σε επεξεργαστή AMD 133 MHz με σκληρό δίσκο 500 MB, που αγοράστηκε για φανταστικά για τη δεκαετία του 1990. $750. Αλλά δεν γιορτάζω τα γενέθλιά του, δεν περνάω χρόνο στο ντουλάπι και δεν έχω νοσταλγικές συζητήσεις μαζί του: "Θυμάστε πώς ήμασταν στο DOOM II ...". Παρόλο που έχουμε αγαπημένα πράγματα, δεν έχουμε συναισθηματική σχέση μαζί τους, έχουμε σχέση μόνο με γεγονότα που σχετίζονται με ορισμένα πράγματα (θυμηθείτε το όμορφο τραγούδι «Από αναμνηστικά σε αναμνηστικά» που ερμηνεύει ο Ντέμης Ρούσσος). Διαφορετικά, αυτό είναι ήδη φετιχισμός - λατρεία άψυχων υλικών αντικειμένων, στα οποία αποδίδονται υπερφυσικές ιδιότητες ή ψυχική διαταραχή, αλλά στην προκειμένη περίπτωση έχουμε να κάνουμε με συνειρμούς.

Όταν οι άνθρωποι μιλούν για τον ανθρώπινο εγκέφαλο που λειτουργεί σαν υπολογιστής ή για τεχνητή νοημοσύνη που μαθαίνει σαν άνθρωπος, μιλούν μεταφορικά. Αυτό μπορεί να θεωρηθεί μέρος μιας μακράς παράδοσης εικασίας για το πώς λειτουργεί ο εγκέφαλός μας και τι είναι πραγματικά η συνείδησή μας. Όποτε εφευρίσκουμε νέα τεχνολογία, υπάρχει έντονος πειρασμός να χρησιμοποιηθεί ως αναλογία για τη λειτουργία του εγκεφάλου. Όταν εφεύραμε τον ηλεκτρισμό, αρχίσαμε να μιλάμε για ηλεκτρικά ρεύματα στον εγκέφαλο. Όταν εμφανίστηκε ο τηλέγραφος, αποφασίσαμε ότι ο εγκέφαλος στέλνει επίσης διακριτά σήματα. Η πεποίθηση πολλών ανθρώπων ότι ο ανθρώπινος εγκέφαλος λειτουργεί σαν υπολογιστής (και επομένως είναι μια λογική μηχανή στην αρχή) είναι απλώς εικασία μας. Δεν ξέρουμε πραγματικά πώς λειτουργεί ο εγκέφαλος, πώς μεταφράζεται αυτό το έργο στη συνείδησή μας και πού, πώς αποθηκεύεται. Βλέπουμε μια συγκεκριμένη δραστηριότητα και αποτέλεσμα που καταφέραμε να μοντελοποιήσουμε στα νευρωνικά δίκτυα, αλλά δεν βλέπουμε και δεν κατανοούμε την ίδια τη διαδικασία.

Βλέποντας τις αλληλεπιδράσεις, βγάζουμε συμπεράσματα, αλλά ίσως βρισκόμαστε σε μια κατάσταση όπου αποφασίζουμε ότι η κατσαρίδα, της οποίας κόπηκαν τα πόδια, σταματά να ακούει, γιατί δεν ξεφεύγει πια από το χτύπημα. Είναι πιθανό ότι, εάν σχεδιάσουμε μια αναλογία με έναν υπολογιστή, έχουμε μόνο μια συγκεκριμένη διεπαφή, κωδικό πρόσβασης και σύνδεση για πρόσβαση στη «βάση δεδομένων» μας, η οποία είναι αποθηκευμένη σε ένα συγκεκριμένο σύννεφο και χρησιμοποιούμε μια τεχνολογία γρήγορης πρόσβασης που είναι ακόμα άγνωστη σε εμάς. Γιατί όχι? Από τεχνική άποψη, αυτό είναι απολύτως λογικό. Ίσως αυτός είναι ο λόγος που μερικές φορές παίρνουμε πληροφορίες, όπως μας φαίνεται, από τη ζωή κάποιου άλλου, μοιάζει με «ζωρί» στο σύστημά μας. Είναι πολύ απίθανο να αναπαραγάγαμε ακόμη και εν μέρει τον ανθρώπινο εγκέφαλο όταν αναπτύξαμε την τρέχουσα θεωρία της τεχνητής νοημοσύνης. Ακόμη και αυτό που ονομάζουμε νευρωνικά δίκτυα είναι απλώς μια ομοιότητα που βασίζεται στην τρέχουσα κατανόησή μας (Εικόνα 2).

Ρύζι. 2.

Για αυτούς τους λόγους, μπορούμε να συμφωνήσουμε με τη δεύτερη γνώμη, δηλαδή τον ισχυρισμό ότι μια μηχανή μπορεί να βιώσει ενσυναίσθηση, αλλά το ελάττωμα αυτής της θεωρίας είναι ότι ανάγουμε τις τεράστιες μυστηριώδεις λειτουργίες του ανθρώπινου εγκεφάλου και της συνείδησης σε κάτι που μπορεί να γίνει κατανοητό. αναπαράγονται και μιμούνται με μια μηχανή ελεγχόμενη από τη λογική. Δεν είναι ότι υπερεκτιμούμε τις δυνατότητες της τεχνητής νοημοσύνης, αλλά ότι υποτιμούμε κατάφωρα πόσο περίπλοκες είναι οι δικές μας ικανότητες.

Αυτό μας επαναφέρει σε ένα άλλο ερώτημα: Έχει σημασία ότι η «τεχνητή ενσυναίσθηση» δεν είναι αληθινή ενσυναίσθηση, παρόλο που αλληλεπιδρά μαζί μας με τον ίδιο τρόπο; Είναι πολύ σημαντικό να το κατανοήσουμε αυτό για να μην πέσουμε στο αδιέξοδο μιας άλλης αυταπάτης - ότι ένας υπολογιστής ή ένα πρόγραμμα έχει αρχίσει να σκέφτεται. Οι συνέπειες μπορεί να είναι θλιβερές, έχουμε ήδη δώσει τόσα πολλά στα πολυβόλα, αποφασίζοντας ότι έχουν «εξυπνήσει» αρκετά για αυτό. Πού είναι η γραμμή μεταξύ αυτού που ονομάζουμε AI και της πραγματικής νοημοσύνης; Μας φαίνεται ότι κρύβεται στη συναισθηματικότητα. Ας συνεχίσουμε με ένα κατανοητό παράδειγμα ενσυναίσθησης.

Η τεχνητή ενσυναίσθηση λειτουργεί παρατηρώντας, μαθαίνοντας, ανταποκρίνοντας και αναπαράγοντας τα σήματα που στέλνουν οι άνθρωποι. Καθώς η τεχνητή νοημοσύνη βαθιάς εκμάθησης προχωρά και η ικανότητα εργασίας με ολοένα μεγαλύτερα σύνολα δεδομένων, τα προγράμματα θα γίνονται όλο και καλύτερα στο να το κάνουν αυτό και να δίνουν την εμφάνιση (ή την εικόνα) της ενσυναίσθησης. Ωστόσο, η αληθινή ενσυναίσθηση περιλαμβάνει πολύ περισσότερα από την απλή παρατήρηση και ανταπόκριση σε συναισθηματικές ενδείξεις, ανεξάρτητα από το πόσες από αυτές τις ενδείξεις πρέπει να εργαστείτε. Γιατί; Επειδή τα σήματα που στέλνουν οι άνθρωποι είναι μόνο ένα μικρό κλάσμα από αυτό που πραγματικά βιώνουν. Είμαστε όλοι πολύ περισσότερο από το άθροισμα του τι σκέφτονται οι άλλοι για εμάς βλέποντας τι κάνουμε και λέμε. Έχουμε ικανότητες, συναισθήματα, αναμνήσεις και εμπειρίες που επηρεάζουν τη συμπεριφορά μας χωρίς απαραίτητα να φαίνονται εξωτερικά. Θα πρέπει να είναι διαισθητικοί, ακόμη και όταν δεν γίνονται καθόλου αντιληπτοί. Παράδειγμα: συχνά δεν αναγνωρίζουμε τον εαυτό μας ή ένα καλά (ακριβώς καλά) οικείο άτομο σε μια φωτογραφία ή πορτρέτο, αλλά τα υπόλοιπα - κανένα πρόβλημα. Με ένα πορτρέτο, το θέμα μπορεί να εξηγηθεί φιλοσοφικά - «από την υποκειμενική αντίληψη της αντικειμενικής πραγματικότητας». Με μια “αντικειμενική” φωτογραφία, ο λόγος είναι ότι μας χαρίζει μια στιγμή, και αντιλαμβανόμαστε τους εαυτούς μας και τους γνωστούς ανθρώπους ως κόμπλεξ, κατά τα άλλα, έχουμε αρκετό συσχετισμό, στο οποίο είναι καλός ο εγκέφαλός μας.

Τα πράγματα γίνονται πιο περίπλοκα όταν οι μηχανές αρχίζουν να λαμβάνουν αποφάσεις που έχουν σοβαρές συνέπειες και χωρίς το συναισθηματικό πλαίσιο και τις κοινές αξίες που χρησιμοποιούν οι άνθρωποι σε τέτοιες περιπτώσεις. Αυτό ήταν ένα από τα βασικά θέματα σε ένα άρθρο που έγραψε πρόσφατα ο Henry A. Kissinger σχετικά με τις επιπτώσεις της τεχνητής νοημοσύνης στο The Atlantic. Πάρτε, για παράδειγμα, ένα μη επανδρωμένο όχημα που, σε περίπτωση επικείμενου ατυχήματος, πρέπει να αποφασίσει αν θα σκοτώσει έναν γονέα ή ένα παιδί. Θα μπορέσει ποτέ μια τέτοια μηχανή να εξηγήσει στους ανθρώπους γιατί κάνει συγκεκριμένες επιλογές; Και αν δεν απαιτείται να δικαιολογηθούν οι ενέργειες της μηχανής με ανθρώπινες συνέπειες και από ανθρώπινη σκοπιά, τότε τι θα γίνει με το σύστημα ηθικής και δικαιοσύνης μας; Πώς το βάζεις σε ένα αυτοκίνητο; Μετά από όλα, τότε θα χρειαστεί να απορρίψουμε τα συναισθήματά μας και να πάρουμε το μέρος της μηχανής, να δούμε τον κόσμο μέσα από τα μάτια της. Είμαστε ικανοί για αυτό;

Μια τέτοια διαδικασία θα ήταν ευκολότερη και απλούστερη αν αντικαθιστούσαμε την τεχνητή ενσυναίσθηση με την ανθρώπινη. Η τεχνητή νοημοσύνη μπορεί να μιμηθεί τις ανθρώπινες αλληλεπιδράσεις, αλλά με μια πολύ στενότερη κατανόηση του τι συμβαίνει από εμάς. Πρέπει να το έχουμε κατά νου όταν επιλέγουμε τον ρόλο που πρέπει να παίξει η τεχνητή νοημοσύνη στη διαχείριση διαδικασιών ή στρατηγικών. Η ενσυναίσθηση, για την οποία μιλήσαμε σε αυτό το μέρος του άρθρου σε σχέση με το αυτοκίνητο, παίζει πολύ σημαντικό ρόλο. Ίσως γι' αυτό προσπαθούν να δώσουν στα βοηθητικά ρομπότ ανθρώπινη εμφάνιση και ευχάριστη φωνή (σε ψευδοεπιστημονικές ταινίες τρώνε ακόμα και για κάποιο λόγο και όχι μόνο).

Κατά την ανάπτυξη των συστημάτων παιχνιδιών που αναφέρονται στο πρώτο μέρος του άρθρου, στα οποία ο συγγραφέας συμμετείχε όχι μόνο ως προγραμματιστής ηλεκτρονικής πλήρωσης, αλλά και ως σχεδιαστής και ένας από τους ιδεολόγους, αντιμετωπίσαμε ένα τέτοιο πρόβλημα. Το δεύτερο από τα μηχανήματα μας, και ήταν ήδη ένα ρομπότ 100% (όπως ήταν αναμενόμενο, βουίζει και γυρίζει), δούλευε πιο αποτελεσματικά από τους "ζωντανούς" αντιπροσώπους, δεν έκανε λάθη και έδωσε μεγαλύτερο οικονομικό αποτέλεσμα. Αλλά η μικτή επιλογή ήταν πιο δημοφιλής - ορισμένοι από τους παίκτες επέλεξαν έναν "ζωντανό" dealer, του οποίου η αποστολή ήταν μόνο να χαμογελάσει και να βγάλει ένα φύλλο από ένα παπούτσι (διανομέας χαρτιών σε ένα τραπέζι τυχερών παιχνιδιών). Σε αυτήν την περίπτωση, λειτούργησε η ενσυναίσθηση, την οποία εκ των προτέρων δεν κατείχε το πλήρως ρομποτικό μας σύστημα, όπως το σύστημα με μια γεννήτρια τυχαίων χαρτών.

Το σύστημα Duplex της Google μπορεί να φαίνεται σαν να έχει ενσυναίσθηση, αλλά αυτή η ενσυναίσθηση περιορίζεται αυστηρά σε ό,τι σχετίζεται με την εκάστοτε εργασία. Για παράδειγμα, η κράτηση ενός τραπεζιού σε ένα εστιατόριο. Το Duplex δεν είναι εκπαιδευμένο να ανιχνεύει συναισθήματα εκτός ενός δεδομένου αλγόριθμου ή να αναδιατάσσει τη συμπεριφορά του με βάση μια συγκεκριμένη κατάσταση. Εάν η φωνή του ατόμου στην άλλη άκρη της τηλεφωνικής γραμμής ακούγεται εχθρική και νευρική, μπορεί το Duplex να επικοινωνήσει επαρκώς μαζί του; Μπορεί να βρει τρόπο να κερδίσει έναν άνθρωπο και να τον κάνει να ηρεμήσει; Μπορεί να εκλιπαρεί να βρει ένα δωρεάν τραπέζι την ώρα αιχμής του εστιατορίου; Η ανθρώπινη επικοινωνία είναι πολύ περισσότερα από απλώς η αποτελεσματική ανταλλαγή πληροφοριών, και εδώ είναι που οι επιπτώσεις της χρήσης πραγματικής και τεχνητής ενσυναίσθησης γίνονται ιδιαίτερα σημαντικές.

Εάν μεταφέρουμε θεμελιώδεις στρατηγικές αποφάσεις στην τεχνητή νοημοσύνη, τότε ο ορισμός της αξίας του τελικού προϊόντος που παράγεται με τη συμμετοχή του (αλλιώς γιατί χρειάζεται καθόλου αυτό το AI;) θα μειωθεί με εκπληκτικό ρυθμό. Αλλά ο κίνδυνος είναι ότι η τεχνητή νοημοσύνη αγνοεί άλλα στοιχεία που επηρεάζουν την ανθρώπινη συνείδηση ​​με διαφορετικούς τρόπους, παίζοντας με τις χορδές της ανθρώπινης ψυχής, όπως έκανε η ίδια Ava από το "Ex Machine" μόνο για να πετύχει έναν ξεκάθαρο στόχο.

Η ανθρώπινη διάνοια είναι τόσο ισχυρή γιατί δεν περιορίζεται μόνο στην ορθολογική σκέψη. Τα στοιχεία της συνείδησης μας επιτρέπουν να αντιμετωπίσουμε το απρόβλεπτο και την αβεβαιότητα του κόσμου γύρω μας. Μας δίνουν τη δυνατότητα να παίρνουμε αποφάσεις βασισμένες σε κοινές αξίες και κίνητρα που έχουν συλλογική απήχηση και να γνωρίζουμε τι είναι σωστό χωρίς καν να χρειάζεται να καταλάβουμε γιατί είναι. Η ενσυναίσθητη ανθρώπινη διάνοια είναι σε θέση να βιώσει αυτό που βιώνει για να είναι λυπημένος ή χαρούμενος - και επιτρέπει σε αυτά τα συναισθήματα να επηρεάσουν τις κρίσεις του και τη συμπεριφορά του με τους άλλους. Το μηχάνημα δεν θα μπορούσε να το κάνει ακόμα κι αν ήθελε, αφού είναι περισσότερο προϊόν του πολιτισμού μας. Σε άλλους πολιτισμούς, όλα θα μπορούσαν να είναι διαφορετικά - για παράδειγμα, δεν θα ήταν κακό να τρώτε το δικό σας είδος «από μεγάλο σεβασμό», όπως ο Βλαντιμίρ Βισότσκι: «Όποιος το τρώει χωρίς αλάτι και χωρίς κρεμμύδια είναι δυνατός, θαρραλέος, θα είναι Καλός ... ".

Για να γίνει μια μηχανή έξυπνη, πρέπει να της δώσουμε μοντέλα αξίας. Οι οποίες? Γνωρίζουμε την κλίμακα μας και βλέπουμε προσπάθειες εισαγωγής της στην τέχνη - λογοτεχνία και κινηματογράφο, αλλά τι μπορούμε πραγματικά να δώσουμε από όλα αυτά σε μια ήδη «σκεπτόμενη» μηχανή; Κατά τη γνώμη μας, τίποτα. Πώς να μεγαλώσει γι 'αυτήν το δέντρο της γνώσης του Καλού και του Κακού και τι είδους καρπούς πρέπει να φέρει; Αν ακολουθήσουμε αυτό το μονοπάτι, θα μας οδηγήσει σε πραγματική αντιπαράθεση, οι μηχανές θα έχουν τη δική τους φιλοσοφία, θρησκεία κλπ. Το μόνο που είμαστε τυχεροί είναι οι εντολές, αλλά θα μιλήσουμε για αυτό στο τελευταίο μέρος αυτού άρθρο..