Искусственный интеллект, способный создавать себе подобных. Как сделать искусственный интеллект на компьютер

Возможно ли создание искусственного интеллекта?

Этот вопрос стоит рассмотреть с нескольких сторон. На данный момент нет даже точного понимания, как правильно описать, что такое искусственный интеллект, и точно нет единого мнения на этот счёт. Если говорить конкретно про информационные технологии, то большинство людей считает, что машина, способная ездить без водителя по городскому трафику, останавливаясь перед пешеходами, перебегающими в неположенном месте, и т.п. — это и есть искусственный интеллект, но это всего лишь программный алгоритм, основывающийся на большой базе знаний, GPS, изображении с камер, датчиках и других данных. Даже пылесос, который чистит дом по заданному алгоритму, называют искусственным интеллектом.

Для определения может ли машина мыслить Тьюринг предложил тест, который звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор». Этот тест был пройден современным чат-ботом, который совершенно точно не является искусственным интеллектом (хотя сразу же было заявлено, что всё тестирование проходило некорректно).

Для искусственного интеллекта очень важна возможность самообучения, т.е. создаётся программный код, который может обучаться на своих ошибках или успехах, например:

- робот, который научился раздавать карты для игры в блэкджек so-l.ru

- робот, который обучается играть в настольный теннис zele.ru

В данном случае программа просто записывает результаты своих действий и в следующий раз делает действие основанное на предыдущих экспериментах, например, если мячик отбивается совсем не в ту сторону, робот отобьёт его в следующий раз по-другому и сравнит эти данные, чтобы получить идеальное отбивание со временем. Но алгоритм такого робота не предполагает, что, если посадить его за автомобиль, он сможет научиться им управлять, т.к. его программа написана только для обучения определённым действиям.

Таким образом, то, что подразумевается под искусственным интеллектом, должно иметь возможность обучаться всему так же, как человек, т.е., условно говоря, программа должна уметь «обучаться обучению» и принимать решения, не основанные на изначальном программном коде. Получается, что искусственный интеллект должен сам создавать новый программный код для своих компонентов для каждой ситуации, исходя из всего предыдущего опыта.

Т.к. это очень сложная задача, учёные используют то, что уже создала природа для обучения, — мозг. Чаще всего используется мозг мелких грызунов, например, крысы, к которому подключают датчики и элементы управления, и используют различные сигналы, способствующие обучению. Например, если нужно обучить биоробота не врезаться в стены, его отпускают поездить и посылают сигнал боли, если он врезается в стены, или сигнал удовольствия, если он выполняет нужную задачу aif.ru

Еще создают сразу полностью органических биороботов, печатая их из «живого» биоматериала на 3D принтере, создавая нужные связи lenta.ru

В данном случае мозг может думать, обучаться и принимать решения, основываясь на своём опыте. Но являются ли такие разработки искусственным интеллектом? Нет, т.к. используется естественная возможность мыслить и самообучаться. С помощью этого действительно можно создать робота с мозгом человека, возможно, даже воссозданным искусственно. Он сможет ходить в школу, учиться водить, рыбачить, плавать и создавать новые технологии и работать учёным, но фактически это будет «человек» с телом робота, а не робот с мозгом человека (так же как человек с искусственной рукой не считается роботом).

Возможно ли создать действительно искусственный интеллект, наподобие тому, как это было, например, в фильме «Робот по имени Чаппи», для которого не нужно будет биоматериала? Нет, т.к. нельзя обучить компьютер думать, а написать для этого алгоритм - невозможно. Каждый раз будет получаться «умная» машина, возможно, очень «умная», как IBM Watson (youtube.com), но никогда не получится искусственный интеллект.

thequestion.ru

Как создать искусственный интеллект? - Подходы и направления

Стадия 1. Разочарование

Когда мы говорим о создании хотя бы простых ботов, глаза наполняются блеском, а в голове мелькают сотни идей, что он должен уметь делать. Однако, когда дело доходит до реализации, оказывается, что ключом к разгадке реальной модели поведения является математика. Да-да, искусственный интеллект куда сложнее написания прикладных программ — одних знаний о проектировании ПО вам не хватит.

Математика — этот тот научный плацдарм, на котором будет строиться ваше дальнейшее программирование. Без знания и понимания этой теории все задумки быстро разобьются о взаимодействие с человеком, ведь искусственный разум на самом деле не больше, чем набор формул.

Стадия 2. Принятие

Когда спесь немного сбита студенческой литературой, можно приступать к практике. Бросаться на LISP или другие функциональные языки пока не стоит — сначала стоит освоиться с принципами проектирования ИИ. Как для быстрого изучения, так и дальнейшего развития прекрасно подойдёт Python — это язык, чаще всего используемый в научных целях, для него вы найдете множество библиотек, которые облегчат ваш труд.

Стадия 3. Развитие

Теперь переходим непосредственно к теории ИИ. Их условно можно разделить на 3 категории:

Слабый ИИ – боты, которых мы видим в компьютерных играх, или простые подручные помощники, вроде Siri. Они или выполняют узкоспециализированные задачи или являются незначительным комплексом таковых, а любая непредсказуемость взаимодействия ставит их в тупик.

Сильный ИИ – это машины, интеллект которых сопоставим с человеческим мозгом. На сегодняшний день нет реальных представителей этого класса, но компьютеры, вроде Watson очень близки к достижению этой цели.
Совершенные ИИ – будущее, машинный мозг, который превзойдёт наши возможности. Именно об опасности таких разработок предупреждают Стивен Хоккинг, Элон Маск и кинофраншиза «Терминатор».

Естественно, начинать следует с самых простых ботов. Для этого вспомните старую-добрую игру «Крестики-нолики» при использовании поля 3х3 и постарайтесь выяснить для себя основные алгоритмы действий: вероятность победы при безошибочных действиях, наиболее удачные места на поле для расположения фигуры, необходимость сводить игру к ничьей и так далее.

Сыграв несколько десятков партий (например в tic tac toe )и анализируя собственные действия, вы наверняка сможете выделить все важные аспекты и переписать их в машинный код.

К слову, если вы всё-таки взялись за язык Python, то создать довольно простого бота можно неслжно. Для других языков, таких как C++ или Java, вам также не составит труда найти пошаговые материалы. Почувствовав, что за созданием ИИ нет ничего сверхъестественного, вы сможете смело закрыть браузер и приступить к личным экспериментам.

Стадия 4. Азарт

Теперь, когда дело сдвинулось с мёртвой точки, вам наверняка хочется создать что-то более серьёзное. В этом вам поможет ряд следующих ресурсов:

Diffbot;
Google Cloud Prediction API;
Mallet;
Scrapy;
Wolfram|Alpha;

Как вы поняли даже из названий, это API, которые позволят без лишних затрат времени создать некоторое подобие серьёзного ИИ.

Стадия 5. Работа

Теперь же, когда вы уже вполне ясно представляете, как ИИ создавать и чем при этом пользоваться, пора выводить свои знания на новый уровень. Во-первых, для этого потребуется изучение дисциплины, которое носит название «Машинное обучение». Во-вторых, необходимо научиться работать с соответствующими библиотеками выбранного языка программирования. Для рассматриваемого нами Python это Scikit-learn, NLTK, SciPy, PyBrain и Numpy. В-третьих, в развитии никуда не обойтись от функционального программирования. Ну и самое главное, вы теперь сможете читать литературу о ИИ с полным пониманием дела:

Artificial Intelligence for Games, Ян Миллингтон;
Game Programming Patterns, Роберт Найсторм;
AI Algorithms, Data Structures, and Idioms in Prolog, Lisp, and Java, Джордж Люгер, Уильям Стбалфилд;
Computational Cognitive Neuroscience, Рэнделл О’Рейли, Юко Мунаката;
Artificial Intelligence: A Modern Approach, Стюарт Рассел, Питер Норвиг.

И да, вся или почти вся литература по данной тематике представлена на иностранном языке, поэтому если хотите заниматься созданием ИИ профессионально — необходимо подтянуть свой английский до технического уровня. Впрочем, это актуально для любой сферы программирования, не правда ли?

В остальном же ваше дальнейшее развитие будет зависеть лишь от практики и желания усложнять алгоритмы. Но будьте осторожны: возможно, совершенный искусственный разум опасен для человечества?

intellect.ml

Как создать искусственный интеллект? История первая. Что такое интеллект? / Хабр

В серии статей мы расскажем о новых подходах в ИИ, моделировании личности и обработке BIG Data, которые недоступны для большинства специалистов по ИИ и общественности. Ценность этой информации в том, что она вся проверена на практике и большинство теоретических наработок реализованы в прикладных проектах.

Многие из вас слышали про современные технологии, которые ассоциируются сегодня с понятием искусственный интеллект, а именно: экспертные системы, нейронные сети, лингвистические алгоритмы, гибридные системы, когнитивные технологии, имитационные(чат-боты) и пр.

Да, многие компании с помощью приведенных выше технологий решают задачи своих клиентов по обработке информации. Некоторые из этих компаний пишут, что создают или создали решения в области искусственного интеллекта. Но интеллект ли это?

Первое, что мы с вами сделаем это определим, что такое интеллект.

Представьте себе, что компьютер с интеллектом существует. И у вас есть возможность общаться с ним голосом или с помощью текстовых сообщений. Вопросы:

Обязательно ли встраивать в программу интеллекта компьютера особенности языка (описывать семантику, грамматику, морфологию) или он смог бы выучить языки самостоятельно через взаимодействие с человеком?
Если бы вам поставили задачу научить компьютер языку, то что бы вы делали?
Если бы в обучении принимали участие только вы, то на кого он был бы похож?

А теперь, ответьте на эти вопросы еще раз, с той лишь разницей, что обучать пришлось бы:

Породистого попугая, теоретически способного к общению.
Новорожденного ребенка.

Мы с вами только что проделали интеллектуальную работу, и я надеюсь, что многие из вас получили новые знания. И вот почему:

Во-первых, я попросил вас представить себе (вообразить), «что будет если…». Вы действовали в изменившихся условиях. Возможно вам не хватало информации и знаний, вам было трудно.
Во-вторых, вы оказались способны к обучению, познанию, вы нашли знакомую вам аналогию сами или встретили ее в тексте, а возможно вы воспользовались интернетом или спросили совет друга.

Существует множество подходов к определению интеллекта. Мы определим главные его признаки…

В первую очередь интеллект – это способность обучаться и воображать.

Для того чтобы создать алгоритм моделирующий интеллект, первое что нужно сделать это наделить его способностью к обучению, никаких знаний вкладывать в него не нужно.

Давайте вернемся к нашему примеру c ребенком для того, чтобы описать процесс обучения более подробно. Какие принципы работают, когда ребенок учится понимать язык и говорить на нем?

Чем чаще он слышит слово в разных контекстах, тем быстрее он его запомнит. Слово, которое он произнесет первым скорее всего будет – «мама». «Мама тебя любит» «Мамочка тебе ручки помоет» «Мама тебя целует» «А где мама?» Обучение происходит за счет избыточности данных.
Чем больше каналов поступления информации задействовано, тем эффективнее обучение: ребенок слышит: «Мама тебя любит». ребенок видит улыбку мамы. ребенок чувствует тепло исходящее от мамы. ребенок чувствует вкус и запах маминого молока. ребенок говорит «Мама».
Ребенок не сможет воспроизвести слово сразу правильно. Он будет пытаться, пробывать. «М», «Ма», «Мам», «М» … «Мама». Обучение происходит в действии, каждая следующая попытка корректируется пока не получим результат. Метод проб и ошибок. Очень важно получение обратной связи из реальности.

Не воспитывайте своих детей, все равно они будут похожи на вас. Ребенок стремится быть похожим на окружающих его людей. Он подражает им и учится у них. Это один из механизмов моделирования личности, о котором мы поговорим более подробно в следующих статьях.

Какова же роль воображения?

Представьте себе, что вы едите на автомобиле по незнакомой трассе. Проезжаете знак ограничения скорости 80 км/ч. Едите дальше, и видите еще один знак ограничения скорости, но он забрызган грязью и его практически не разобрать. Вы передвигаетесь со скоростью 95 км/ч. Что будете делать? Пока вы принимали решение из-за кустов выглянул сотрудник полиции, и вы увидели лучезарную улыбку на его лице. В голове у вас мгновенно достроился «образ знака», и вы поняли почему тут стоит полицейский, и что вам срочно нужно нажать тормоз. Вы сбрасываете скорость до 55 км/ч, улыбка с лица полицейского мгновенно пропадает, и вы едите дальше.

И еще один интересный пример работы воображения из мира животных – это наблюдение за сороками. Сорока на глазах других сорок зарыла еду на пустыре. Все сороки улетели, но наша сорока вернулась на пустырь и перепрятала еду. Что произошло? Она представила себе(вообразила), «что будет если» прилетит другая сорока, которая видела куда она спрятала еду. Она смоделировала ситуацию и нашла решение как этого избежать.

Воображение – это моделирование ситуации на произвольных условиях.

Как вы уже убедились, интеллект – это не база знаний, это не набор запрограммированных реакций или следование заранее определенным правилам.

Интеллект – это способность к обучению, познанию и адаптации к изменяющимся условиям в процессе решения трудностей.

Вам не кажется, что определяя интеллект мы упустили из виду какие-то важные компоненты или забыли о чем-то рассказать?

Да, мы упустили из виду восприятие, и забыли рассказать про память.

Представьте себе, что вы смотрите в глазок и видите часть буквы:

Что это за буква?

Может быть «К»?

Конечно нет, это же японский иероглиф «вечность».

Перед вами только, что поставили задачу(проблему). Скорее всего вы нашли похожий образ буквы «К» у себя в голове и успокоились.

Ваш интеллект воспринимает все образами и ищет похожий образ в памяти, если его нет, то формируется привязка(якорь) к уже существующим образам и благодаря этому вы запоминаете новую информацию, получаете навыки или опыт.

Образ – субъективное видение реального мира, воспринимаемого при помощи органов чувств (каналов поступления информации).

Восприятие субъективно, потому что зависит от последовательности обучения, последовательности появления образов в жизни человека и их влияния.

Восприятие начинается с распознания образов светло/темно. Открываем глаза – светло, закрываем – темно. Далее человек учится распознавать все более сложные образы – «мама», «папа», мяч, стол, собака. Мы получаем опорные данные, а все последующие образы – это надстройка над предыдущими.

С этой точки зрения обучение – это процесс построения новых взаимосвязей между воспринимаемыми образами и образами, которые уже есть в памяти.

Память служит для хранения образов и их взаимосвязей.

А воображение – это способность достраивать незавершенный образ.

Для обобщения приведем еще один эксперимент из мира животных:

Шимпанзе посадили в клетку, а внутри клетки подвесили гроздь бананов довольно высоко от пола. Сначала шимпанзе прыгала, но быстро устала, и, казалось, потеряла интерес к бананам и уселась, едва обращая на них внимание. Но через некоторое время обезьяна взяла палку, оставленную в клетке, и раскачивала бананы до тех пор, пока они не упали. В другой раз, чтобы достать бананы, шимпанзе удалось соединить две палки, так как каждой палки по отдельности не хватало, чтобы до них дотянуться. Животное справилось и с более сложной задачей, неожиданно поставив под бананами коробку и используя ее как ступеньку.

Шимпанзе показали знакомый ей образ «гроздь бананов». Но образ для нее оказался незавершенным – их нельзя достать и съесть. Но так как это был единственный источник пищи из доступных, то незавершенный образ наращивал внутреннее напряжение и требовал завершения.

Средства для решения проблемы (завершения образа), всегда имелись в наличии, но возникновение решения требовало преобразования имеющихся образов (требовалось обучиться с помощью воображения). Шимпанзе необходимо было представить себе (умственно перечислить все возможные варианты): «что будет если я возьму палку», «а что будет если…» и наиболее вероятные предположения проверить на практике, попробовать и получить обратную связь, опять вообразить, попробовать, получить обратную связь и так далее до тех пор, пока мы не завершим образ(научимся).

Если бы распознание образа иероглифа «вечность» было бы для вас вопросом жизни и смерти, то вы обязательно нашли способ это сделать.

С более популярного языка перейдем к техническому и сформулируем основные понятия, которые мы будем использовать далее:

Пересечение избыточной информации из разных информационных каналов создает образ.
Обучение – это преобразование информационных потоков в информационное поле.
Информационное поле(память) – хранение образов и их взаимосвязей.
Воображение – … – «Уважаемый читатель, дострой образ воображения самостоятельно, используя избыточную информацию из своего жизненного опыта и этой статьи».
Интеллект – это способность обучаться и воображать.

В начале статьи мы перечислили технологии, ассоциирующиеся сегодня с искусственным интеллектом, теперь вы самостоятельно сможете оценить насколько они соответствуют понятию интеллект.

В следующей статье мы рассмотрим такую задачу как интеллектуальный поиск информации в интернете. Определим критерии интеллектуальности, разработаем практические подходы и «пощупаем» реальное приложение, в котором реализованы принципы, описанные в этой статье.

Статья не претендует на истину, является частью наших разработок и исследований. Пишите комментарии, дополняйте материал своими примерами или размышлениями. Обучайтесь и воображайте…

Читайте следующую статью на хабре:Как создать искусственный интеллект? История вторая. Алгоритмы интеллектуального поиска и хранения информации

habr.com

Создание искусственного интеллекта

ПЛАН.

1. Введение.

2. Феномен мышления.

3. Создание искусственного интеллекта.

3.1 Механический подход.

3.2 Электронный подход.

3.3 Кибернетический подход.

3.4 Нейронный подход.

3.5 Появление перцептрона.

4. Заключение.

5. Список литературы.

1. ВВЕДЕНИЕ.

Современные философы и исследователи науки часто рассматривают междисциплинарные науки как одно из достижений заново открытых в 20 веке.

Искусственный Интеллект и искусственная жизнь представляет прекрасный пример такой интеграции многих научных областей.

К сожалению, жизнь слишком сложна, чтобы можно было наметить общие направления в исследованиях. Доказательством может служить тот факт, что некоторые заинтересованы в исследовании «систем, демонстрирующих феномены живых систем», другие изучают природу химического репродуцирования или пытаются решить философские проблемы самопознания.

В понятие «искусственный интеллект» вкладывается различный смысл – от признания интеллекта у ЭВМ оснащенных программными продуктами распознавания текста и речи до отнесения к интеллектуальным лишь тех систем, которые решают весь комплекс задач, осуществляемых человеком.

Теория искусственного интеллекта при решении многих задач сталкивается с определёнными проблемами. Одна из таких проблем состоит в выяснении вопроса, доказуема ли теоретически (математически) возможность или невозможность искусственного интеллекта.

На этот счёт существуют две точки зрения. Одни считают математически доказанным, что ЭВМ в принципе может выполнить любую функцию, осуществляемую естественным интеллектом. Другие полагают в такой же мере доказанным математически, что есть проблемы, решаемые человеческим интеллектом, которые принципиально недоступны ЭВМ. Эти взгляды высказываются как кибернетиками так и философами. Одна из многих проблем (можно сказать основная) состоит в том, что системы, обладающие психикой, отличаются от ЭВМ тем, что им присущи биологические потребности.

Отражение внешнего мира проходит через призму этих потребностей, в чем выражается активность психической системы. ЭВМ не имеет потребностей, для неё информация незначима, безразлична. У человека над слоем биологических потребностей надстраиваются социальные потребности, и информация для него не только биологически но социально значима. Однако технические системы все-таки могут иметь аналог телесной организации. Развитая кибернетическая система обладает рецепторными и эффекторными придатками. На практике под крышей термина искусственная жизнь гнездится грандиозное разнообразие различных проектов от моделей копирования ДНК и систем с обратной связью до изучения коллективного разума и динамики роста населения.

2. ФЕНОМЕН МЫШЛЕНИЯ.

Машины уже научились слагать стихи, сочинять музыку, рисовать картины. Возможно, кому-то покажется, что это – несомненный признак их разумности. Ведь если ЭВМ доступно творчество, которое всегда считалось свойством высокого интеллекта, то справедливо ли отказывать ей в разуме?

Всё же большинство из нас едва ли согласятся считать рисующую и сочиняющую стихи ЭВМ мыслящей. Что же тогда следует называть мышлением?(2)

Далёкому от науки человеку трудно себе представить, как много умеют делать современные кибернетические устройства. Стоит хотя бы упомянуть о так называемых «экспертных системах», которые на основе имеющихся в их памяти сведений анализируют состояние больного, режим технологического процесса, дают советы, как поступить в той или иной ситуации. При этом ЭВМ не только сообщает своё решение, но и объясняет, почему оно должно быть таковым. По сравнению с электронной памятью, выдачей архивных справок и математическими вычислениями, что сегодня у большинства людей ассоциируется сегодня с образом компьютера, это – качественно новая ступень интеллектуальной деятельности, когда на основе имеющегося вырабатывается новое знание. До сих пор это считалось неоспоримой привилегией человеческого мозга. Неудивительно, что тому, кто впервые встречается с подобными системами, часто просто не верится, что он имеет дело с «железной ЭВМ», а не со спрятавшимся где-то оператором-человеком.

Способность ЭВМ выполнять математические расчеты, к чему мы привыкли, ещё совсем недавно рассматривалась как одна из самых высших ступеней духовной деятельности человека. Комплексные числа, с которыми легко оперирует почти любая ЭВМ, Г.Лейбниц, сам выдающийся математик, называл «духовными амфибиями», удивительным «порождением духа Божьего», а писатель В.Одоевский в своей «Русской речи» писал о нашей способности к вычислениям как о каком-то непостижимом, почти мистическом свойстве: При всяком математическом процессе мы чувствуем, как к нашему существу присоединяется какое-то другое, чужое, которое трудится, думает, вычисляет, а между тем наше истинное существо как бы перестаёт действовать, не принимая никакого участия в этом процессе, как в деле постороннем, ждёт своей собственной пищи, а именно связи, которая должна существовать между ним и этим процессом, - и этой связи мы не находим».

Можно представить, как был бы поражён Одоевский, узнав о вычислительных способностях наших ЭВМ! Тем не менее, мы не считаем их думающими.

Любая вычислительная машина, каким бы поразительным ни было её «умение» обучаться, работает на основе заранее составленной для неё программы и поступающих внешних данных. Правда, мы, люди, тоже реализуем определенные программы действий, особенно в первые месяцы жизни, когда наше поведение почти целиком определяется заложенной в нас генетической программой. Однако принципиальное различие в том, что человек способен мотивированно, т.е. в зависимости от определённых условий, изменять программу и делает это так, что между Сарой и новой программами нет непрерывного логического мостика. Как это происходит, тоже пока не ясно, тут много споров и различных точек зрения, но это уже другой вопрос, важно, что современные вычислительные машины этим свойством не обладают. Вот если бы случилось так, что какая-то ЭВМ, решившая, скажем задачи по электромагнетизму и квантовой механике, объединила бы эти два раздела науки и вывела уравнения квантовой электродинамики, а потом с их помощью предсказала бы новые явления в этой неизвестной ей ранее области, тогда, наверное, мы были бы в праве назвать её думающей. И прежде всего потому, что она сама, без всякой программной подсказки, решила заняться качественно новой задачей. Слово «решила» как раз и означает, что она мыслит.

Всякая интеллектуальная задача представляет собой поиск способа достижения поставленной цели, а иначе это будет не решением задачи, а просто действием по точной инструкции.

Когда мы говорим, что школьник решает задачу, это означает прежде всего, что он должен сообразить, какую взять для этого формулу, какие подставить в неё числа. Однако, если он, заглядывая в тетрадь соседа, подставляет указанные там числа в написанную на доске формулу, это уже не решение, а механическое повторение. Именно так ведут себя современные ЭВМ. Строго говоря, никаких задач они не решают, и часто используемое нами выражение «ЭВМ решает» имеет условный смысл…

Способность ставить задачу и самопрограмироваться на её решение – это как раз и есть главное, что характеризует феномен мышления.

Можно возразить данному утверждению, отметив, что и рыбы, и примитивные амёбы в погоне за добычей, тоже ставят себе задачи, изменяющиеся в зависимости от конкретных условий, значит – и они мыслят?

Это могут быть примитивные формы мышления, ведь объяснить поведение животных во всём многообразии жизненных ситуаций одним лишь инстинктом – это гипотеза.(2)

Животным и птицам присуще такое свойство мышления, как способность к обобщению. Например, они узнают пищу в различных конкретных формах, так сказать – пищу вообще.

Наше обыденное понимание разумного слишком очеловечено, и, подобно тому, как в XIX веке многим казалась нелепой сама мысль о преемственной связи между человеком и обезьяной сегодня многих из нас смущает мысль о возможности нечеловеческого интеллекта. В частности, сами того не замечая, мы часто связываем представление о мышлении со способностью осознавать своё собственное «я», и это мешает нам более широко взглянуть на феномен мышления. Правда, связь между мышлением и чувством «я», по-видимому, действительно существует. Можно думать, что в условиях прихотливо изменяющейся внешней обстановки сложная система будет устойчивой лишь в том случае, если она обладает способностью ощущать своё состояние, а в этом и состоит суть нашего «я». Анализ показывает, что подобное чувство необходимо уже многим роботам-автоматам. Ведь робот, да и вообще всякая сложная самообучающаяся и активно общающаяся с человеком машина должна сообщать ему о состоянии своей памяти, о том, что ей понятно, а что – нет и почему. А для этого автомат должен ощущать и быть способным выразить своё состояние. Это нужно роботу и для того, чтобы вовремя заметить неполадки в своём «организме». Не осознающий себя робот едва ли сможет долго просуществовать в сложной, быстро меняющейся и воздействующей на него обстановке.

3.СОЗДАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛНКТА .

С конца 40-х годов ученые все большего числа университетских и промышленных исследовательских лабораторий устремились к дерзкой цели: построение компьютеров, действующих таким образом, что по результатам работы их невозможно было бы отличить от человеческого разума.

Терпеливо продвигаясь вперед в своем нелегком труде, исследователи, работающие в области искусственного интеллекта (ИИ), обнаружили, что вступили в схватку с весьма запутанными проблемами, далеко выходящими за пределы традиционной информатики. Оказалось, что прежде всего необходимо понять механизмы процесса обучения, природу языка и чувственного восприятия. Выяснилось, что для создания машин, имитирующих работу человеческого мозга, требуется разобраться в том, как действуют миллиарды его взаимосвязанных нейронов. И тогда многие исследователи пришли к выводу, что пожалуй самая трудная проблема, стоящая перед современной наукой - познание процессов функционирования человеческого разума, а не просто имитация его работы. Что непосредственно затрагивало фундаментальные теоретические проблемы психологической науки. В самом деле, ученым трудно даже прийти к единой точке зрения относительно самого предмета их исследований - интеллекта. Здесь, как в притче о слепцах, пытавшихся описывать слона, пытается придерживаться своего заветного определения.

mirznanii.com

Искусственный интеллект создал нейросеть - Мастерок.жж.рф

Дожили до того момента, когда искусственный интеллект создаёт собственную нейросеть. Хотя многие думают, что это одно и тоже. Но на самом деле не всё так просто и сейчас мы попробуем разобраться что это такое и кто кого может создать.

Инженеры из подразделения Google Brain весной текущего года продемонстрировали AutoML. Этот искусственный интеллект умеет без участия человека производить собственные уникальнейшие ИИ. Как выяснилось совсем недавно, AutoML смог впервые создать NASNet, систему компьютерного зрения. Данная технология серьёзно превосходит все созданные ранее людьми аналоги. Эта основанная на искусственном интеллекте система может стать отличной помощницей в развитии, скажем, автономных автомобилей. Применима она и в робототехнике – роботы смогут выйти на абсолютно новый уровень.

Развитие AutoML проходит по уникальной обучающей системе с подкреплением. Речь идёт о нейросети-управленце, самостоятельно разрабатывающей абсолютно новые нейросети, предназначенные для тех или иных конкретных задач. В указанном нами случае AutoML имеет целью производство системы, максимально точно распознающей в реальном времени объекты в видеосюжете.

Искусственный интеллект сам смог обучить новую нейронную сеть, следя за ошибками и корректируя работу. Обучающий процесс повторялся многократно (тысячи раз), до тех пор, пока система не оказалась годной к работе. Любопытно, что она смогла обойти любые аналогичные нейросети, имеющиеся в настоящее время, но разработанные и обученные человеком.

При этом AutoML оценивает работу NASNеt и использует эту информацию для улучшения дочерней сети; этот процесс повторяется тысячи раз. Когда инженеры протестировали NASNet на наборах изображений ImageNet и COCO, она превзошла все существующие системы компьютерного зрения.

В Google официально заявили, что NASNet распознаёт с точностью равной 82,7%. Результат на 1.2 % превышает прошлый рекорд, который в начале осени нынешнего года установили исследователи из фирмы Momenta и специалисты Оксфорда. NASNet на 4% эффективнее своих аналогов со средней точностью в 43,1%.

Есть и упрощённый вариант NASNet, который адаптирован под мобильные платформы. Он превосходит аналоги чуть больше, чем на три процента. В скором будущем можно будет использовать данную систему для производства автономных автомобилей, для которых важно наличие компьютерного зрения. AutoML же продолжает производить новые потомственные нейросети, стремясь к покорению ещё больших высот.

При этом, конечно, возникают этические вопросы, связанные с опасениями по поводу ИИ: что, если AutoML будет создавать системы с такой скоростью, что общество просто за ними не поспеет? Впрочем, многие крупные компании стараются учитывать проблемы безопасности ИИ. Например, Amazon, Facebook, Apple и некоторые другие корпорации являются членами Партнерства по развитию ИИ (Partnership on AI to Benefit People and Society). Институт инженеров и электротехники (IEE) же предложил этические стандарты для ИИ, а DeepMind, например, анонсировал создание группы, которая будет заниматься моральными и этическими вопросами, связанными с применениями искусственного интеллекта.

Впрочем, многие крупные компании стараются учитывать проблемы безопасности ИИ. При этом, конечно, возникают этические вопросы, связанные с опасениями по поводу ИИ: что, если AutoML будет создавать системы с такой скоростью, что общество просто за ними не поспеет? Институт инженеров и электротехники (IEE) же предложил этические стандарты для ИИ, а DeepMind, например, анонсировал создание группы, которая будет заниматься моральными и этическими вопросами, связанными с применениями искусственного интеллекта. Например, Amazon, Facebook, Apple и некоторые другие корпорации являются членами Партнерства по развитию ИИ (Partnership on AI to Benefit People and Society).

Что такое искусственный интеллект?

Автором термина «искусственный интеллект» является Джон Маккарти, изобретатель языка Лисп, основоположник функционального программирования и лауреат премии Тьюринга за огромный вклад в области исследований искусственного интеллекта.Искусственный интеллект — это способ сделать компьютер, компьютер-контролируемого робота или программу способную также разумно мыслить как человек.

Исследования в области ИИ осуществляются путем изучения умственных способностей человека, а затем полученные результаты этого исследования используются как основа для разработки интеллектуальных программ и систем.

Что такое нейронная сеть?

Идея нейросети заключается в том, чтобы собрать сложную структуру из очень простых элементов. Вряд ли можно считать разумным один-единственный участок мозга — а вот люди обычно на удивление неплохо проходят тест на IQ. Тем не менее до сих пор идею создания разума «из ничего» обычно высмеивали: шутке про тысячу обезьян с печатными машинками уже сотня лет, а при желании критику нейросетей можно найти даже у Цицерона, который ехидно предлагал до посинения подбрасывать в воздух жетоны с буквами, чтобы рано или поздно получился осмысленный текст. Однако в XXI веке оказалось, что классики ехидничали зря: именно армия обезьян с жетонами может при должном упорстве захватить мир.На самом деле нейросеть можно собрать даже из спичечных коробков: это просто набор нехитрых правил, по которым обрабатывается информация. «Искусственным нейроном», или перцептроном, называется не какой-то особый прибор, а всего лишь несколько арифметических действий.

Работает перцептрон проще некуда: он получает несколько исходных чисел, умножает каждое на «ценность» этого числа (о ней чуть ниже), складывает и в зависимости от результата выдаёт 1 или –1. Например, мы фотографируем чистое поле и показываем нашему нейрону какую-нибудь точку на этой картинке — то есть посылаем ему в качестве двух сигналов случайные координаты. А затем спрашиваем: «Дорогой нейрон, здесь небо или земля?» — «Минус один, — отвечает болванчик, безмятежно разглядывая кучевое облако. — Ясно же, что земля».

«Тыкать пальцем в небо» — это и есть основное занятие перцептрона. Никакой точности от него ждать не приходится: с тем же успехом можно подбросить монетку. Магия начинается на следующей стадии, которая называется машинным обучением. Мы ведь знаем правильный ответ — а значит, можем записать его в свою программу. Вот и получается, что за каждую неверную догадку перцептрон в буквальном смысле получает штраф, а за верную — премию: «ценность» входящих сигналов вырастает или уменьшается. После этого программа прогоняется уже по новой формуле. Рано или поздно нейрон неизбежно «поймёт», что земля на фотографии снизу, а небо сверху, — то есть попросту начнёт игнорировать сигнал от того канала, по которому ему передают x-координаты. Если такому умудрённому опытом роботу подсунуть другую фотографию, то линию горизонта он, может, и не найдёт, но верх с низом уже точно не перепутает.

В реальной работе формулы немного сложнее, но принцип остаётся тем же. Перцептрон умеет выполнять только одну задачу: брать числа и раскладывать по двум стопкам. Самое интересное начинается тогда, когда таких элементов несколько, ведь входящие числа могут быть сигналами от других «кирпичиков»! Скажем, один нейрон будет пытаться отличить синие пиксели от зелёных, второй продолжит возиться с координатами, а третий попробует рассудить, у кого из этих двоих результаты ближе к истине. Если же натравить на синие пиксели сразу несколько нейронов и суммировать их результаты, то получится уже целый слой, в котором «лучшие ученики» будут получать дополнительные премии. Таким образом достаточно развесистая сеть может перелопатить целую гору данных и учесть при этом все свои ошибки.

Нейронную сеть можно сделать с помощью спичечных коробков — тогда у вас в арсенале появится фокус, которым можно развлекать гостей на вечеринках. Редакция МирФ уже попробовала — и смиренно признаёт превосходство искусственного интеллекта. Давайте научим неразумную материю играть в игру «11 палочек». Правила просты: на столе лежит 11 спичек, и в каждый ход можно взять либо одну, либо две. Побеждает тот, кто взял последнюю. Как же играть в это против «компьютера»?

Очень просто.

Берём 10 коробков или стаканчиков. На каждом пишем номер от 2 до 11.

Кладём в каждый коробок два камешка — чёрный и белый. Можно использовать любые предметы — лишь бы они отличались друг от друга. Всё — у нас есть сеть из десяти нейронов!

Нейросеть всегда ходит первой. Для начала посмотрите, сколько осталось спичек, и возьмите коробок с таким номером. На первом ходу это будет коробок №11. Возьмите из нужного коробка любой камешек. Можно закрыть глаза или кинуть монетку, главное — действовать наугад.Если камень белый — нейросеть решает взять две спички. Если чёрный — одну. Положите камешек рядом с коробком, чтобы не забыть, какой именно «нейрон» принимал решение. После этого ходит человек — и так до тех пор, пока спички не закончатся.

Ну а теперь начинается самое интересное: обучение. Если сеть выиграла партию, то её надо наградить: кинуть в те «нейроны», которые участвовали в этой партии, по одному дополнительному камешку того же цвета, который выпал во время игры. Если же сеть проиграла — возьмите последний использованный коробок и выньте оттуда неудачно сыгравший камень. Может оказаться, что коробок уже пустой, — тогда «последним» считается предыдущий походивший нейрон. Во время следующей партии, попав на пустой коробок, нейросеть автоматически сдастся.

Вот и всё! Сыграйте так несколько партий. Сперва вы не заметите ничего подозрительного, но после каждого выигрыша сеть будет делать всё более и более удачные ходы — и где-то через десяток партий вы поймёте, что создали монстра, которого не в силах обыграть.

[источники]Источники:http://24gadget.ru/1161065879-ii-ot-google-vzrastil-bolee-smyshlenuyu-sobstvennuyu-neyroset.htmlhttps://www.popmech.ru/technologies/news-399792-ii-google-postroil-sobstvennyy-ii-prevoshodyashchiy-lyuboy-iz-razrabotannyh-lyudmi/http://neuronus.com/stat/1281-chto-takoe-iskusstvennyj-intellekt.htmlhttps://www.mirf.ru/science/kak-rabotayut-nejroseti

masterok.livejournal.com

ИИ — Сделай сам / Хабр

Очень приятно, что тема искусственного интеллекта не заглохла, а продолжает развиваться. Здесь уже набралось множество статей с прекрасными идеями и интересными комментариями. Глядя на все это многообразие, захотелось вернуться к начатой полгода назад серии публикаций и поделиться некоторыми возникшими с тех пор мыслями и рассуждениями. Все это я попытался скомпоновать в одну большую статью, которая описывает все аспекты того, как будет работать конечный продукт, и содержит соображения по его реализации. Статья действительно получается большая, так что буду выкладывать ее по частям. Некоторые находятся в процессе написания, некоторые уже готовы. Хотя это и не ТЗ, я стараюсь быть максимально конструктивным, ведь все это затеяно для будущей реализации.

Ну и последнее, что я хотел сказать в этом послании. Для многих главной чертой ИИ является его недостижимость. Чтобы как-то расчитывать на их объективность, я постараюсь далее избегать этого определения и называть его просто программой. Тем более, что это и так будет не более, чем программа.

Вступление

В прошлый раз мы договорились, что наше творение должно максимально соответствовать человеку. Если конкретнее, то оно должно думать как человек (на качественном уровне). Очевидно, что для достижения этой цели нам придется понять, как же на самом деле мы думаем. Затем нужно представить всю систему целиком, разделить ее на компоненты, которые уже можно будет реализовать в виде классов, структур, функций и прочих синтаксических конструкций из языков программирования. Таков общий подход в проектировании объектно-ориентированных систем.

Начнем с того, что попытаемся выяснить, как происходит у нас процесс мышления (сюда можно включить обучение, принятие решения, возникновение идеи и т. п.). Как это ни странно, но первое, что нужно сделать для решения этой проблемы – забыть о том, что вопрос мышления – тайна за семью печатями для науки и человечества в целом. Знаете, иногда некоторые факты только мешают в решении поставленной задачи.

Всем известный пример – учеников в классе разделили на две группы и предложили решить одну и ту же задачу средней сложности, но требующую необычного подхода. Далее одной группе сообщили, что «это очень сложная задача, и ученики старших классов не смогли с ней справиться», а другой намекнули, что, мол, задача эта «стандартная» и взята она из сборника таких же «стандартных» задач. Думаю, что не нужно говорить о том, какая группа в итоге справилась с заданием.

Чтобы не приводить здесь килобайты рассуждений (коих здесь и так хватает) и сразу направить ход ваших мыслей в нужное русло, изложу некоторые моменты в виде тезисов, к которым на данном этапе лучше относиться как к аксиомам:

Процесс мышления сводится к работе с информацией: ввод => фильтрация => запись => хранение => поиск => вывод (реакция).
Функции, задействованные на каждом этапе, логически просты (если рассматривать их на высоком уровне абстракции), так как реализованы на нейронах. Из чего можно предположить, что конечный продукт будет занимать мало места на диске (я думаю, что порядка нескольких мегабайт, скорее всего даже меньше, если не учитывать информацию, хранящуюся в памяти).
Вся система будет функционировать только тогда, когда будут реализованы все компоненты, так как они взаимосвязаны. Т. е. нам придется смоделировать некоторое подобие виртуального организма для того, чтобы он был автономным и самодостаточным.

Постоянная память

Ключевым моментом во всей системе является память. А если точнее, то ее структура. Идея нейросети бесспорно заманчива, но таким образом нам предстоит тягаться с IBM. Чтобы облегчить жизнь нам и избавить IBM от конкурента, возьмем за единицу информации что-то более самодостаточное и понятное, чем бит или уровень сигнала. Я даже затрудняюсь сказать, как назвать эту единицу одним словом (может кто подскажет?). Могу лишь перечислить примеры: буква, слово, словосочетание, предложение, произвольная последовательность из любых предыдущих элементов. Пока все. Зрение и слух оставим до лучших времен вместе с соответствующими им единицами информации.

Для того чтобы все функции, выделенные в первой аксиоме, были просты логически, да что там – очевидны, необходимо максимально оптимизировать под них память. Замечу, эти самые функции являются не чем иным, как обобщением процессов, происходящих в нейронах. С возрастом эти процессы не меняются и не усложняются. Грубо говоря, по какому алгоритму проходил поиск информации у трехлетнего человека, по тому самому он проходит и у тридцатилетнего. А все, что изменилось за это время – память.

Так что память – это не просто файловая система, но еще и своеобразный язык программирования. Такие сложные процессы, как нахождение закономерностей, прогнозирование, индукция с дедукцией, генерирование идей и прочие – все это не какие-то внешние образования, которые для своей работы используют файлы из памяти. Все они сами являются частью памяти, своего рода программами, написанными на ее языке.

Язык этот довольно простой. Как было сказано чуть выше, программа будет состоять из логических единиц – лексем. Эти единицы являются узлами сложной сети. От каждого узла отходят связи к другим узлам-единицам. Связей может быть одна, две, пять, десять, редко больше десяти.

Для примера приведу один простенький узел – слово яблоко. От него могут отходить связи к следующим узлам: фрукт, съедобное, круглое. Ну и более сложные: червяк, витамины, apple, пирог, Ньютон, Спящяя красавица, Змей-искуситель. И еще: «мойте перед употреблением», «если слишком красивое – без химии не обошлось». От этих узлов также идут связи к другим узлам и, возможно, от некоторых – обратные связи к яблоку.

Но такая структура пока не годится. Ведь связи то разные бывают: геометрическая форма, съедобное-несъедобное, группа плодов и более сложные – различные сцены и ситуации, в которых фигурирует яблоко (это уже из разряда зрительной информации), истории и художественные произведения и т. д. Значит нужно еще специально указать тип связи.

Основная задача таких типов – это определение содержимого узла, к которому ведет связь. Определение того, что там хранится, в какой форме и как это можно использовать.

Чтобы не усложнять себе жизнь, будем представлять типы связей такими же логическими единицами информации, такими же узлами сети, на которые и будем ссылаться. Таким образом окончательная структура имеет вид одной большой сети, каждый узел которой содержит ссылки на другие узлы. При этом каждая такая ссылка сама по себе связана (представлена, ассоциируется) с еще какой-то одной логической единицей. Узлы-определения не являются чем-то особенным. Они тоже хранят ссылки на другие узлы и являются такой же частью общей сети, как и все остальные. Таким образом все без исключения логические единицы устроены одинаково.

Очень важная и полезная черта такой структуры – это дискретность ее элементов. Во-первых – память состоит из неделимых элементов. Во-вторых – эти элементы обособлены и могут храниться как угодно и в каком угодно порядке. Они независимы друг от друга в том смысле, что в каждом узле хранятся только те ссылки, которые ведут ОТ него. Узел ничего не знает о ссылках, которые указывают НА него. Так что можно спокойно его редактировать, не думая о том, что информация в других потеряет актуальность.

Эта возможно чем-то знакомая, возможно слегка необычная конструкция на самом деле дает большую свободу и позволяет составлять из элементов памяти законы и правила, логические цепочки, всевозможные модели рассуждения и прочие полезные штуки. О том, как это делается, будет написано в следующих разделах.

Оперативная память

Кроме постоянной памяти в психологии выделяют еще краткосрочную. Также выделяют содержимое сознания, подсознания и еще много чего… Чтобы не вносить путаницу, представим все это единым и понятным компонентом – оперативная память.

Возможно кто-то удивится – как такие разные компоненты можно заменять одним единственным? Этот вопрос выходит за рамки данной статьи. Скажу лишь, что это оправдано. Ближе к концу станет понятно, что тем не менее в нашей модели разума (интеллекта – кому как удобнее) можно найти аналоги и краткосрочной памяти, и сознания, и подсознания, и целой кучи всякой мишуры, которую выделяют психологи.

Но вернемся к оперативной памяти. Хотя с одной стороны она «оперативная», с другой – она все-таки «память». Поэтому было бы логично организовать ее таким же образом – в виде сети. А чтобы как-то выделить ее, можно создать один узел – «оперативная память». Он будет содержать ссылки на все элементы, которые к ней относятся.

Одно из принципиальных отличий оперативной памяти от постоянной состоит в том, что только в оперативной ее части происходят все преобразования – так называемый «процесс мышления», все, что к нему относится. Постоянная же память не редактируется напрямую. Это можно сравнить с системой контроля версий: создается слепок (копия) нужной области постоянной памяти, затем этот слепок подвергается изменениям, после чего обновленные копии узлов замещают собой свои оригиналы.

Теперь самое время разобраться, какие именно изменения и преобразования будут происходить в оперативной памяти. Раз она состоит из узлов, то вопрос сводится к тому – какие элементарные преобразования можно проводить с узлами.

Создание. На самом деле здесь довольно спорный момент. Как известно, в реальной нейросети изначально существует некоторое количество узлов, которое со временем только уменьшается. Но в нашей системе для экономии ресурсов узлы будут создаваться по мере ее работы. Это будет происходить в двух случаях: вся входящая информация преобразуется мини-сеть из свежесозданных узлов, и в процессе «мышления» будут создаваться различные комбинации из копий уже существующих узлов (т. н. воображение). Об этих двух процессах подробнее можно будет прочитать в разделах «общение» и «мышление».
Удаление. Здесь идея та же, что и в сборке мусора в .NET или Java. Узел, который уже отработал свое и не нужен в данный момент удаляется из оперативной памяти. Далее он либо записывается в постоянную память, либо удаляется вообще. Все зависит от того – связан ли он с существующими в постоянной памяти узлами. Если нет, то он бесполезен и нет смысла его записывать
Поиск. Поиск используется в процессе «вспоминания», так что подробно он будет рассмотрен в соответствующем разделе. Смысл его заключается в том, чтобы вытянуть из постоянной памяти в оперативную необходимые узлы. Выглядит это так – в оперативной памяти находится узел, к которому приходит вызов с указанием типа связи. Если такая связь есть, то в оперативную память переписывается копия элемента «на том конце» из постоянной памяти. Вызов приходит из другого узла. Механизм этих вызовов будет рассмотрен в разделе «мотивации и эмоции». Обычно весь этот процесс проходит организованно среди нескольких узлов.
Связывание. Связывание используется в первую очередь для «обучения», которое также удостоилось персонального раздела. Если кратко, то для связывания нужно минимум три узла и один вызов. В итоге один становится «родительским», другой – «дочерним», а третий – типом связи. Как было сказано ранее, все это происходит в оперативной памяти.

Теоретически должно хватать этих четырех преобразований. Это элементарные операции, происходящие на уровне узлов. Из таких операций формируются более сложные функции, которые будут описаны в следующих разделах.

Промежуточный итог

Итак, что мы имеем на данный момент? Я не зря сравнил память с языком программирования. Уже сейчас вырисовывается картина того, что будет происходить под капотом нашей программы. Узлы, которые являются носителем информации, в то же время, взаимодействуя друг с другом в оперативной памяти, сами создают и переписывают эту информацию – переписывают друг друга.

То есть наша основная цель – создание языка программирования, одной из особенностей которого будет интерпретируемость и способность редактировать программу «на лету». Наверное определение «сингулярный язык программирования» будет уместно в данном случае.

Таким образом все сводится к разработке самих узлов. Они и будут теми кирпичиками, из которых будут построены все функции системы.

На сегодня – все. Вот приблизительное содержание следующих разделов и оглавление по совместительству:

Постоянная память.
Оперативная память.
Мотивации и эмоции. (Обзор механизма вызовов и кое что о целостности организма)
Воспоминания. (Довольно подробный обзор использования механизма поиска)
Общение. (Обзор систем ввода-вывода и распознавания)
Обучение. (Довольно подробный обзор использования механизма связывания)
Проблески разума. (Обзор реализации более сложных функций на базе элементарных преобразований)

Кроме того набралось некоторое количество идей того, как можно реализовать какие-то конкретные функции или компоненты на практике. Не знаю пока, куда все это поместить – наверное большая часть найдет свое место в комментариях.

P. S. Искусственный интеллект – это вопрос не философии или религии. Спрашивая «что есть ии?», «есть ли у него душа?», «сможет ли он любить?» и «не поработит ли он мир?», мы не приближаемся к решению проблемы. Все эти вопросы не имеют и не могут иметь ответов, так что ломать над ними голову и клавиши клавиатуры – пустая трата времени. Искусственный интеллект – это вопрос умения увидеть нужное и отбросить все лишнее.

habr.com

Искусственный интеллект, способный создавать себе подобных

AutoML будет строить алгоритмы, анализирующие развитие других алгоритмов, и при этом будет понимать, какие методы успешны, а какие — нет. AutoML уже может создавать такие алгоритмы, которые в некоторых случаях определяют объекты на фотографиях более точно, чем сервисы, разработанные людьми.

Мечта всех исследователей, но, возможно, ночной кошмар для высококвалифицированных программистов — искусственный интеллект, который сможет создавать другие ИИ.

Один из главных инженеров Google Джефф Дин своими недавними выступлениями в Кремниевой долине и Китае привлек всеобщее внимание к проекту Google — AutoML. ML — это аббревиатура от «машинного обучения» (machine learning). Машинное обучение — один из компьютерных алгоритмов, которые учатся самостоятельно выполнять определенные задачи, анализируя большие объемы информации. AutoML, в свою очередь, создается как алгоритм машинного обучения, который учится создавать другие такие алгоритмы.

С его помощью Google очень скоро может найти способ создавать технологии искусственного интеллекта, которые смогут частично заменить людей при создании систем с искусственным интеллектом. По мнению некоторых ученых, это и есть будущее индустрии технологий.

Этот проект — часть гораздо более масштабной деятельности по внедрению самых передовых технологий в работу множества компаний и разработчиков ПО.

Индустрия технологий обещает все: от мобильных приложений, которые распознают лица, до машин с автопилотом. По некоторым оценкам, только 10 000 человек во всем мире имеют достаточное образование, опыт и талант, чтобы создавать сложные и иногда практически непостижимые математические алгоритмы, которые будут управлять новым поколением ИИ.

Инженер Google Джефф Дин рассказал, что проект, над которым он работает, поможет создавать системы с искусственным интеллектом даже неопытным компаниям. Райан Янг для The New York Times

Крупнейшие в мире IT-компании, включая Google, Facebook и Microsoft, платят миллионы долларов в год экспертам в области ИИ, успешно захватившим этот узкий рынок. Нехватка кадров никуда не денется в ближайшее время хотя бы потому, что на развитие необходимых навыков уходят долгие годы.

Но индустрия не желает ждать. Компании разрабатывают всевозможные инструменты, которые упростят создание своего собственного ПО на основе ИИ, включая функции вроде распознавания картинок, речи и онлайн чат-ботов.

«Мы движемся по тому же пути, по которому двигались компьютерные науки при разработке новых технологий, — рассказывает Джозеф Сирош, вице-президент Microsoft. Компания недавно представила инструмент, который помогает программистам создавать глубокие нейронные сети — особый вид компьютерного алгоритма, важный для прогресса в сфере ИИ. — Мы упрощаем работу программистов».

Это не альтруизм. Такие исследователи, как Джефф Дин, считают, что если больше людей и компаний будут работать над искусственным интеллектом, то это поспособствует и их собственным исследованиям. В то же время компании вроде Google, Amazon и Microsoft видят перспективу большого дохода в идеях, описанных Сирошем. Все они предлагают услуги облачных вычислений, которые помогают компаниям и разработчикам создавать ИИ.

«На это существует реальный спрос, — объясняет Мэтт Скотт, сооснователь и главный технический директор Malong, китайского стартапа, предлагающего подобные услуги. — И вспомогательное ПО пока не удовлетворяет весь этот спрос».

Как роботы учатся учиться

Робот, управляемый человеком, выполняет задание — положить яблоко в голубую миску. Эти объекты робот видит впервые. Лаборатория искусственного интеллекта в Беркли.

Научившись учиться с множеством объектов, и посмотрев одну видео-демонстрацию, робот может понять, как визуально распознавать голубую миску из пикселей на изображении камеры и успешно помещать в эту миску яблоко. Лаборатория искусственного интеллекта в Беркли.

Скорее всего, это и есть то, что Google подразумевает под AutoML, поскольку компания продолжает поощрять успехи проекта. Исполнительный директор Google Сундар Пичаи в прошлом месяце уже хвастался AutoML на презентации нового смартфона на Android.

«В конце концов, проект Google поможет компаниям создавать системы с искусственным интеллектом, даже если они не обладают обширными знаниями», — подтвердил Дин. Сегодня, по его оценкам, многие обладают необходимыми данными для создания ИИ, но нужные таланты есть лишь у нескольких тысяч компаний.

«Мы хотим, чтобы не тысячи, а миллионы компаний решали проблемы машинного обучения», — дополнил он.

Google много вкладывает в разработку служб облачного вычисления — сервисов, которые помогают другим компаниям в создании и запуске ПО. Судя по прогнозам, они должны стать важнейшим двигателем экономики в ближайшие годы. И теперь, когда лучшие исследователи ИИ со всего мира готовы этим заняться, нужно только «прикурить» этот механизм с их помощью.

Нейросети значительно ускоряют развитие ИИ. Вместо того, чтобы вручную разрабатывать сервис по распознаванию изображений или приложение-переводчик, прописывая код строка за строкой, инженеры могут гораздо быстрее создать алгоритм, который будет самостоятельно решать поставленные перед ним задачи.

Например, анализируя звуки в огромной базе звонков в техподдержку, алгоритм может научиться распознавать произнесенные слова.

Но разработать нейросеть — вовсе не то же самое, что написать веб-сайт или какое-нибудь заурядное приложение для смартфона. Это требует серьезных математических навыков, множества проб и ошибок, а также развитой интуиции. Жан-Франсуа Ганье, руководитель независимой лаборатории машинного обучения Element AI, называет этот процесс «новым видом программирования».

При работе над нейросетью исследователи проводят десятки или даже сотни экспериментов над обширной сетью механизмов, проверяя, насколько хорошо алгоритм может, например, распознавать изображения или переводить текст с одного языка на другой. Затем ученые раз за разом перенастраивают определенные части алгоритма, пока он не заработает. Некоторые называют это «темным искусством» просто потому, что разработчики и сами иногда затрудняются объяснить те правки, которые вносят.

Но Google пытается автоматизировать этот процесс при помощи AutoML. Этот сервис будет строить алгоритмы, анализирующие развитие других алгоритмов, и при этом будет понимать, какие методы успешны, а какие — нет. Наконец, они учатся создавать более эффективное машинное обучение. Как утверждает Google, AutoML уже может создавать такие алгоритмы, которые в некоторых случаях определяют объекты на фотографиях более точно, чем сервисы, разработанные исключительно людьми.

2015 год. Справа налево: Питер Эббил, профессор из Калифорнийского университета в Беркли; Сергей Левин, инженер Google, профессор-ассистент; Челси Финн, студент-докторант. Они создают робота, который использует программы глубинного обучения. «По сути, компьютеры будут создавать алгоритмы для нас», — объясняет профессор Эббил. Фото: Питер Эрл Макколлоу для The New York Times

Баррет Зоф, один из инженеров Google, работающих над проектом, считает, что в итоге этот метод можно будет с успехом использовать и для решения таких задач, как распознавание речи или машинный перевод.

В это трудно поверить, но сейчас такой метод становится ведущим в исследовании искусственного интеллекта. Специалисты называют его «обучением самообучению» или «метаобучением».

Многие верят, что подобные методы существенно ускорят прогресс ИИ и в реальном, и в виртуальном мирах. В Калифорнийском университете Беркли ученые создают методы, которые позволят роботам учиться выполнять новые задания на основе уже полученных знаний.

«По сути, компьютеры будут создавать алгоритмы для нас, — объясняет Питер Эббил, профессор из Калифорнийского университета в Беркли. — Алгоритмы, созданные компьютерами, могут решить множество проблем очень быстро — по крайней мере, мы на это надеемся».

Так можно увеличить количество людей и компаний, занятых в создании искусственного интеллекта. Конечно, эти методы не смогут полностью заменить инженеров в области создания ИИ. Например, в Google специалисты-люди все еще выполняют большую часть дизайнерской работы. Но идея заключается в том, что работа нескольких специалистов может помочь другим при создании их собственных программ.

Ренато Негрино, ученый из Университета Карнеги–Меллон, изучающий технологии, близкие к технологиям AutoML, рассказал, что такие методы станут реальностью в ближайшем будущем. «Это лишь вопрос времени», — пообещал он.

Кейд Метц

Источник