Как умнели машины: от победы в шахматах до женских сосков на YouTube

Правильный путь при создании искусственного интеллекта – пытаться понять, что такое разум человека, и работать с ним, а не просто его копировать. Хотя это отходит от классической парадигмы искусственного интеллекта, которая базируется на идеи имитации психики человека: когда невозможно отличить машину от человека.

Всегда считалось, что шахматы – интеллектуальная вотчина человека. Но в 1997 году программа на компьютере Deep Blue, разработанная компанией IBM, обыграла чемпиона мира по шахматам Гарри Каспарова. Люди немного удивились, что это произошло, долго спорили с IBM, но сейчас уже все скажут, что компьютерная программа может обыграть любого гроссмейстера. Принцип был заложен от «универсального решателя задач»: есть условие задачи, есть алгоритмы, и перебирая варианты, выдается решение.

Один из подходов к искусственному интеллекту – экспертные системы, это умные базы знаний. Задается вопрос, по правилам ищутся ответы. Апогей развития этой области произошел несколько лет назад, когда случилась другая победа компьютера. Это снова была машина, разработанная IBM: IBM Watson. Эта машина смогла обыграть двух сильнейших игроков «Jeopardy!» – американской версии передачи «Своя игра». В нее были заложены кучи знаний, скачена «Википедия». И машина справилась даже без подключения к интернету.

Через 20 лет после проигрыша Каспарова люди думали, что можно прописать определенный набор состояний, которые возможны в игре и перебором вычислить верней ответ. Но в игре типа «Го», где больше свободы и количество состояний немыслимы, трудно записать и использовать перебор. Но в прошлом году Ли Седоль проиграл машине AlphaGo от Google. В основе лежит очень простая идея: в процессе работы машина сама обучается и решает задачи, иногда удивляя и самих разработчиков. В машину не закладываются принципы переработки информации, а закладывается только система обучения. Она сама учится выявлять закономерности в окружающей среде на основе нейронной сети.

Классическая задача для нейронных сетей – классификация. Например, разделение животных на котиков и собачек. В каждой категории выделяются определяющие свойства, на которые ориентируется нейронная сеть, и дальше при помощи вычислений получается ответ от одного до единицы. Если котики единицы, а собаки ноли, а нейронная сеть выдала 0,3, мы говорим правильный ответ. И дальше происходит самый главный момент: нейронная сеть запоминает правильный ответ и в следующий раз ответ будет ближе к верному. И если провести тысячи тестов, то нейронная сеть научится отличать их, и она научится определять новых котов и собак, которых ей до этого не показывали.

Один из примеров работы нейронной сети: нейронная сеть получает информацию с камеры, которую держит человек, и она описывает, что происходит в духе «на улице машины». Для этого потребовалось долгое обучение, но нейронная сеть научилась. Актуальной проблемой для YouTube несколько лет назад было умение распознавать соски: мужские, которые показывать можно, и женские, которые нельзя. Над этим бились лучшие умы планеты.

Принцип распознавания у детей появляется к двум годам, имитировать поведение взрослых они могут на первом часу жизни, а говорить могут уже к трем годам так, как Siri и не снилось. И при чем тут интеллект? Для того чтобы понять, что перед нами стакан, особых концептуальных усилий применять не нужно. Вопрос категоризации давно изучается в психологии и в различных когнитивных науках. Существует несколько теорий и все они предполагают, что у человека есть ментальное пространство в голове, которое репрезентирует какие-то признаки в окружающей среде. Если вспомнить кошек и собак, то признаками будут длина мордочки и общий размер. По одной из теорий предполагается, что мы у себя в голове создаем разграничительную линию. Еще одна теория категоризации: когда мозг не разделяет, а запоминает всех животных, которых встречал. А когда видит новое, то рассчитывает расстояние до знакомого животного по схожести. И к кому ближе к тому и относим. Альтернативный вариант, когда сравнивается с ближайшим в памяти объектом. Эта теория объясняет, почему маленькие собачки мы не относим к котам, несмотря на то, что мы можем такого пса положить в сумку.

Еще одна интересная теория связана с тем, что мы классифицируем объекты с разной скоростью. Если нам показать картинку и спросить птица это или нет, то в России быстрей среагируют на голубя или на воробья, а на пингвина потребуется времени больше. Это объясняется тем что мы не запоминаем все, а храним прототип.

Чтобы примерно понять, что такое сознание, можно вспомнить, как мы контролируем правильность запоминания, когда на память набираем телефон друга и вспоминаем насколько правильно введен номер. Способность наблюдать за своими когнитивными процессами есть метакогниция. Мне кажется, что самой разрабатываемой темой в ближайшее время будет обучение искусственного интеллекта предсказывать свою точность.

Движение – это еще одна тема, которой занимается искусственный интеллект. Создают разных роботов, которые при движении приспосабливаются к окружающей среде. В YouTube есть огромное количество видео, где люди издеваются над роботами: толкают, пинают их, отрезают конечности, но все это показывает, как машины быстро начинают по-новому ощущать свое тело и адаптироваться к среде. Как и человек, который на протяжении всей жизни изучает схему тела и привыкает к тому, как оно движется, какой размер занимает. Машины могут обучаться, но открыть новый принцип пока не умеют, как и решать творческие задания.

Есть опасения, что вокруг искусственного интеллекта надулся пузырь – эта область, в которую вкладываются огромные деньги. А раз есть большие ожидания, есть и риск большого кризиса, связанного с неоправданными надеждами. Думаю, надо посмотреть, как работает естественный разум и попробовать это реализовать в искусственном интеллекте. Это обещает прогресс и не даст случиться кризису. Потому что, если мы сможем создать роботов, которые смогут быть осознанными и помогать людям, мы сможем лучше понять себя.

Текст: Мария Орехова