Τεχνητή νοημοσύνη (AI, Αγγλικά: Artificial Intelligence, AI) - η επιστήμη και η τεχνολογία δημιουργίας ευφυών μηχανών, ιδιαίτερα ευφυών προγραμμάτων υπολογιστών. Η τεχνητή νοημοσύνη σχετίζεται με το παρόμοιο καθήκον της χρήσης υπολογιστών για την κατανόηση της ανθρώπινης νοημοσύνης, αλλά δεν περιορίζεται απαραίτητα σε βιολογικά εύλογες μεθόδους.
Νοημοσύνη(από λατ. intellectus - αίσθηση, αντίληψη, κατανόηση, κατανόηση, έννοια, λόγος) ή μυαλό - μια ποιότητα της ψυχής που αποτελείται από την ικανότητα προσαρμογής σε νέες καταστάσεις, την ικανότητα να μαθαίνει και να θυμάται με βάση την εμπειρία, την κατανόηση και την εφαρμογή αφηρημένες έννοιες και χρήση της γνώσης για περιβαλλοντική διαχείριση. Η νοημοσύνη είναι η γενική ικανότητα γνώσης και επίλυσης δυσκολιών, η οποία ενώνει όλες τις ανθρώπινες γνωστικές ικανότητες: αίσθηση, αντίληψη, μνήμη, αναπαράσταση, σκέψη, φαντασία.
Στις αρχές της δεκαετίας του 1980. Οι επιστήμονες υπολογιστών Barr και Fajgenbaum πρότειναν τον ακόλουθο ορισμό της τεχνητής νοημοσύνης (AI):
Αργότερα, ένας αριθμός αλγορίθμων και συστημάτων λογισμικού άρχισαν να ταξινομούνται ως AI, η χαρακτηριστική ιδιότητα του οποίου είναι ότι μπορούν να λύσουν ορισμένα προβλήματα με τον ίδιο τρόπο που θα έκανε ένα άτομο που σκέφτεται τη λύση τους.
Οι κύριες ιδιότητες της τεχνητής νοημοσύνης είναι η κατανόηση της γλώσσας, η εκμάθηση και η ικανότητα σκέψης και, κυρίως, δράσης.
Το AI είναι ένα σύμπλεγμα σχετικών τεχνολογιών και διαδικασιών που αναπτύσσονται ποιοτικά και γρήγορα, για παράδειγμα:
Στις 16 Απριλίου 2019 έγινε γνωστό ότι η υποεπιτροπή ISO/IEC για την τυποποίηση στον τομέα της τεχνητής νοημοσύνης υποστήριξε την πρόταση της Τεχνικής Επιτροπής «Cyber-physical systems», που δημιουργήθηκε με βάση το RVC, για την ανάπτυξη της «Τεχνητής Νοημοσύνης». πρότυπο. Έννοιες και ορολογία» στα ρωσικά εκτός από τη βασική αγγλική έκδοση.
Ορολογικό πρότυπο «Τεχνητή νοημοσύνη. Έννοιες και ορολογία» είναι θεμελιώδης για ολόκληρη την οικογένεια των διεθνών κανονιστικών και τεχνικών εγγράφων στον τομέα της τεχνητής νοημοσύνης. Εκτός από τους όρους και τους ορισμούς, αυτό το έγγραφο περιέχει εννοιολογικές προσεγγίσεις και αρχές για την κατασκευή συστημάτων με στοιχεία, μια περιγραφή της σχέσης μεταξύ της τεχνητής νοημοσύνης και άλλων τεχνολογιών από άκρο σε άκρο, καθώς και βασικές αρχές και προσεγγίσεις πλαισίου για τους ρυθμιστικούς και τεχνικούς κανονισμούς της τεχνητής νοημοσύνης.
Μετά τη συνεδρίαση της σχετικής υποεπιτροπής ISO/IEC στο Δουβλίνο, εμπειρογνώμονες ISO/IEC υποστήριξαν την πρόταση της αντιπροσωπείας από τη Ρωσία να αναπτυχθεί ταυτόχρονα ένα ορολογικό πρότυπο στον τομέα της τεχνητής νοημοσύνης όχι μόνο στα αγγλικά, αλλά και στα ρωσικά. Το έγγραφο αναμένεται να εγκριθεί στις αρχές του 2021.
| Η ανάπτυξη προϊόντων και υπηρεσιών που βασίζονται στην τεχνητή νοημοσύνη απαιτεί μια σαφή ερμηνεία των εννοιών που χρησιμοποιούνται από όλους τους συμμετέχοντες στην αγορά. Το πρότυπο ορολογίας θα ενοποιήσει τη «γλώσσα» στην οποία επικοινωνούν οι προγραμματιστές, οι πελάτες και η επαγγελματική κοινότητα, ταξινομεί τέτοιες ιδιότητες προϊόντων που βασίζονται σε τεχνητή νοημοσύνη ως «ασφάλεια», «αναπαραγωγιμότητα», «αξιοπιστία» και «εμπιστευτικότητα». Μια ενοποιημένη ορολογία θα γίνει επίσης σημαντικός παράγοντας για την ανάπτυξη τεχνολογιών τεχνητής νοημοσύνης στο πλαίσιο της Εθνικής Πρωτοβουλίας Τεχνολογίας - Οι αλγόριθμοι AI χρησιμοποιούνται από περισσότερο από το 80% των εταιρειών στην περίμετρο του NTI. Επιπλέον, η απόφαση ISO/IEC θα ενισχύσει την εξουσία και θα διευρύνει την επιρροή των Ρώσων εμπειρογνωμόνων στην περαιτέρω ανάπτυξη των διεθνών προτύπων. |
Κατά τη συνάντηση, εμπειρογνώμονες ISO/IEC υποστήριξαν επίσης την ανάπτυξη ενός σχεδίου διεθνούς εγγράφου Information Technology - Artificial Intelligence (AI) - Overview of Computational Approaches for AI Systems, στο οποίο η Ρωσία ενεργεί ως συνεκδότης. Το έγγραφο παρέχει μια επισκόπηση της τρέχουσας κατάστασης των συστημάτων τεχνητής νοημοσύνης, περιγράφοντας τα κύρια χαρακτηριστικά των συστημάτων, τους αλγόριθμους και τις προσεγγίσεις, καθώς και παραδείγματα εξειδικευμένων εφαρμογών στον τομέα της τεχνητής νοημοσύνης. Η ανάπτυξη αυτού του σχεδίου εγγράφου θα πραγματοποιηθεί από μια ειδικά δημιουργημένη ομάδα εργασίας 5 «Υπολογιστικές προσεγγίσεις και υπολογιστικά χαρακτηριστικά συστημάτων τεχνητής νοημοσύνης» εντός της υποεπιτροπής (Ομάδα εργασίας SC 42 5 «Υπολογιστικές προσεγγίσεις και υπολογιστικά χαρακτηριστικά συστημάτων τεχνητής νοημοσύνης»).
| Στο πλαίσιο του έργου της σε διεθνές επίπεδο, η ρωσική αντιπροσωπεία κατάφερε να επιτύχει μια σειρά από αποφάσεις ορόσημα που θα έχουν μακροπρόθεσμο αντίκτυπο στην ανάπτυξη τεχνολογιών τεχνητής νοημοσύνης στη χώρα. Η ανάπτυξη μιας ρωσικής έκδοσης του προτύπου, ακόμη και από μια τόσο πρώιμη φάση, αποτελεί εγγύηση συγχρονισμού με το διεθνές πεδίο, και η ανάπτυξη της υποεπιτροπής ISO/IEC και η έναρξη διεθνών εγγράφων με ρωσική συν-επεξεργασία είναι το θεμέλιο για την περαιτέρω προώθηση των συμφερόντων των Ρώσων προγραμματιστών στο εξωτερικό», σχολίασε. |
Οι τεχνολογίες τεχνητής νοημοσύνης έχουν μεγάλη ζήτηση σε διάφορους τομείς της ψηφιακής οικονομίας. Μεταξύ των κύριων παραγόντων που εμποδίζουν την πλήρη πρακτική χρήση τους είναι η υπανάπτυξη του ρυθμιστικού πλαισίου. Ταυτόχρονα, το καλά ανεπτυγμένο ρυθμιστικό και τεχνικό πλαίσιο είναι που διασφαλίζει την καθορισμένη ποιότητα εφαρμογής της τεχνολογίας και το αντίστοιχο οικονομικό αποτέλεσμα.
Στον τομέα της τεχνητής νοημοσύνης, η TC Cyber-Physical Systems, βασισμένη στο RVC, αναπτύσσει μια σειρά από εθνικά πρότυπα, η έγκριση των οποίων έχει προγραμματιστεί για τα τέλη του 2019 - αρχές του 2020. Επιπλέον, βρίσκονται σε εξέλιξη εργασίες μαζί με παράγοντες της αγοράς για τη διαμόρφωση ενός Εθνικού Σχεδίου Τυποποίησης (ΕΣΠ) για το 2020 και μετά. Το TC "Cyber-physical systems" είναι ανοιχτό σε προτάσεις για την ανάπτυξη εγγράφων από ενδιαφερόμενους οργανισμούς.
Στις 6 Δεκεμβρίου 2018, η Τεχνική Επιτροπή «Cyber-Physical Systems» με βάση το RVC μαζί με το Περιφερειακό Κέντρο Μηχανικών «SafeNet» ξεκίνησαν την ανάπτυξη ενός συνόλου προτύπων για τις αγορές της Εθνικής Πρωτοβουλίας Τεχνολογίας (NTI) και της ψηφιακής οικονομίας. Μέχρι τον Μάρτιο του 2019, σχεδιάζεται να αναπτυχθούν έγγραφα τεχνικής τυποποίησης στον τομέα των κβαντικών επικοινωνιών και, ανέφερε η RVC. Διαβάστε περισσότερα.
Στο επίκεντρο όλων όσων είναι η πρακτική της AI (μηχανική μετάφραση, αναγνώριση ομιλίας, επεξεργασία φυσικής γλώσσας, όραση υπολογιστή, αυτοματοποιημένη οδήγηση και πολλά άλλα) είναι η βαθιά εκμάθηση. Είναι ένα υποσύνολο της μηχανικής μάθησης, που χαρακτηρίζεται από τη χρήση μοντέλων νευρωνικών δικτύων, τα οποία μπορούμε να πούμε ότι μιμούνται τις λειτουργίες του εγκεφάλου, επομένως θα ήταν δύσκολο να τα ταξινομήσουμε ως AI. Οποιοδήποτε μοντέλο νευρωνικού δικτύου εκπαιδεύεται σε μεγάλα σύνολα δεδομένων, επομένως αποκτά κάποιες «δεξιότητες», αλλά το πώς τις χρησιμοποιεί παραμένει ασαφές στους δημιουργούς του, κάτι που τελικά γίνεται ένα από τα πιο σημαντικά προβλήματα για πολλές εφαρμογές βαθιάς μάθησης. Ο λόγος είναι ότι ένα τέτοιο μοντέλο λειτουργεί με εικόνες επίσημα, χωρίς καμία κατανόηση του τι κάνει. Είναι ένα τέτοιο σύστημα τεχνητής νοημοσύνης και μπορούν να είναι αξιόπιστα συστήματα που βασίζονται σε μηχανική μάθηση; Οι συνέπειες της απάντησης στο τελευταίο ερώτημα εκτείνονται πέρα από το επιστημονικό εργαστήριο. Ως εκ τούτου, η προσοχή των μέσων ενημέρωσης στο φαινόμενο που ονομάζεται προκατάληψη AI έχει ενταθεί αισθητά. Μπορεί να μεταφραστεί ως "AI bias" ή "AI bias". Διαβάστε περισσότερα.
Οι τομείς εφαρμογής της τεχνητής νοημοσύνης είναι αρκετά εκτενείς και καλύπτουν τόσο οικείες τεχνολογίες όσο και αναδυόμενες νέες περιοχές που απέχουν πολύ από τη μαζική εφαρμογή, με άλλα λόγια, αυτή είναι ολόκληρη η γκάμα λύσεων, από ηλεκτρικές σκούπες μέχρι διαστημικούς σταθμούς. Μπορείτε να διαιρέσετε όλη την ποικιλομορφία τους σύμφωνα με το κριτήριο των βασικών σημείων ανάπτυξης.
Η τεχνητή νοημοσύνη δεν είναι μια μονολιθική θεματική περιοχή. Επιπλέον, ορισμένοι τεχνολογικοί τομείς της τεχνητής νοημοσύνης εμφανίζονται ως νέοι υποτομείς της οικονομίας και ξεχωριστές οντότητες, ενώ ταυτόχρονα εξυπηρετούν τους περισσότερους τομείς της οικονομίας.
Η ανάπτυξη της χρήσης της τεχνητής νοημοσύνης οδηγεί στην προσαρμογή των τεχνολογιών σε κλασικούς τομείς της οικονομίας σε όλη την αλυσίδα αξίας και τους μετασχηματίζει, οδηγώντας στον αλγόριθμο σχεδόν όλων των λειτουργιών, από τα logistics έως τη διαχείριση της εταιρείας.
Στις 11 Ιουλίου 2019 έγινε γνωστό ότι σε μόλις δύο χρόνια η τεχνητή νοημοσύνη και η μηχανική μάθηση θα χρησιμοποιηθούν για την καταπολέμηση της απάτης τρεις φορές συχνότερα από ό,τι τον Ιούλιο του 2019. Τέτοια δεδομένα ελήφθησαν κατά τη διάρκεια μιας κοινής μελέτης της SAS και της Ένωσης Πιστοποιημένων Εξεταστών Απάτης (ACFE). Από τον Ιούλιο του 2019, τέτοια εργαλεία καταπολέμησης της απάτης χρησιμοποιούνται ήδη στο 13% των οργανισμών που συμμετείχαν στην έρευνα και ένα άλλο 25% δήλωσε ότι σχεδιάζει να τα εφαρμόσει μέσα στα επόμενα ή δύο χρόνια. Διαβάστε περισσότερα.
Οι εξελίξεις στον τομέα της τεχνητής νοημοσύνης θα βοηθήσουν στη ριζική αλλαγή του δικαστικού συστήματος, καθιστώντας το πιο δίκαιο και απαλλαγμένο από συστήματα διαφθοράς. Αυτή η άποψη εκφράστηκε το καλοκαίρι του 2017 από τον Vladimir Krylov, Διδάκτωρ Τεχνικών Επιστημών, τεχνικό σύμβουλο στην Artezio.
Ο επιστήμονας πιστεύει ότι οι υπάρχουσες λύσεις στον τομέα της τεχνητής νοημοσύνης μπορούν να εφαρμοστούν με επιτυχία σε διάφορους τομείς της οικονομίας και της δημόσιας ζωής. Ο ειδικός επισημαίνει ότι η τεχνητή νοημοσύνη χρησιμοποιείται με επιτυχία στην ιατρική, αλλά στο μέλλον μπορεί να αλλάξει εντελώς το δικαστικό σύστημα.
«Βλέποντας καθημερινά ειδήσεις σχετικά με τις εξελίξεις στον τομέα της τεχνητής νοημοσύνης, εκπλήσσεσαι μόνο με την ανεξάντλητη φαντασία και την καρποφορία των ερευνητών και των προγραμματιστών σε αυτόν τον τομέα. Οι εκθέσεις για την επιστημονική έρευνα διανθίζονται συνεχώς με δημοσιεύσεις σχετικά με νέα προϊόντα που ξεσπούν στην αγορά και εκθέσεις για εκπληκτικά αποτελέσματα που λαμβάνονται μέσω της χρήσης της τεχνητής νοημοσύνης σε διάφορους τομείς. Αν μιλάμε για αναμενόμενα γεγονότα, που συνοδεύονται από αξιοσημείωτη δημοσιότητα στα μέσα ενημέρωσης, στα οποία η τεχνητή νοημοσύνη θα γίνει ξανά ο ήρωας των ειδήσεων, τότε μάλλον δεν θα διακινδυνεύσω να κάνω τεχνολογικές προβλέψεις. Μπορώ να υποθέσω ότι το επόμενο γεγονός θα είναι η εμφάνιση κάπου ενός εξαιρετικά αρμόδιου δικαστηρίου με τη μορφή τεχνητής νοημοσύνης, δίκαιου και αδιάφθορου. Αυτό θα συμβεί, όπως φαίνεται, το 2020-2025. Και οι διαδικασίες που θα πραγματοποιηθούν σε αυτό το δικαστήριο θα οδηγήσουν σε απροσδόκητους προβληματισμούς και στην επιθυμία πολλών ανθρώπων να μεταφέρουν στην τεχνητή νοημοσύνη τις περισσότερες από τις διαδικασίες διαχείρισης της ανθρώπινης κοινωνίας».
Ο επιστήμονας αναγνωρίζει τη χρήση της τεχνητής νοημοσύνης στο δικαστικό σύστημα ως ένα «λογικό βήμα» για την ανάπτυξη της νομοθετικής ισότητας και δικαιοσύνης. Η μηχανική νοημοσύνη δεν υπόκειται σε διαφθορά και συναισθήματα, μπορεί να τηρεί αυστηρά το νομοθετικό πλαίσιο και να λαμβάνει αποφάσεις λαμβάνοντας υπόψη πολλούς παράγοντες, συμπεριλαμβανομένων των δεδομένων που χαρακτηρίζουν τα μέρη της διαφοράς. Κατ' αναλογία με τον ιατρικό τομέα, οι κριτές ρομπότ μπορούν να λειτουργούν με μεγάλα δεδομένα από αποθετήρια κρατικών υπηρεσιών. Μπορεί να υποτεθεί ότι
Το 2015, η ομάδα της Google εξέτασε τα νευρωνικά δίκτυα για να δει αν μπορούσαν να δημιουργήσουν εικόνες από μόνα τους. Στη συνέχεια εκπαιδεύτηκε η τεχνητή νοημοσύνη χρησιμοποιώντας μεγάλο αριθμό διαφορετικών εικόνων. Ωστόσο, όταν το μηχάνημα «ζήτησε» να απεικονίσει κάτι από μόνο του, αποδείχθηκε ότι ερμήνευσε τον κόσμο γύρω μας με έναν κάπως περίεργο τρόπο. Για παράδειγμα, για το έργο της σχεδίασης αλτήρων, οι προγραμματιστές έλαβαν μια εικόνα στην οποία το μέταλλο συνδέθηκε με ανθρώπινα χέρια. Αυτό πιθανώς συνέβη λόγω του γεγονότος ότι κατά το στάδιο της εκπαίδευσης, οι αναλυόμενες εικόνες με αλτήρες περιείχαν χέρια και το νευρωνικό δίκτυο το ερμήνευσε εσφαλμένα.
Στις 26 Φεβρουαρίου 2016, σε μια ειδική δημοπρασία στο Σαν Φρανσίσκο, οι εκπρόσωποι της Google συγκέντρωσαν περίπου 98 χιλιάδες δολάρια από ψυχεδελικούς πίνακες που δημιουργήθηκαν από την τεχνητή νοημοσύνη. Αυτά τα χρήματα δόθηκαν για φιλανθρωπικούς σκοπούς. Μία από τις πιο επιτυχημένες φωτογραφίες του αυτοκινήτου παρουσιάζεται παρακάτω.
Ένας πίνακας ζωγραφισμένος από την τεχνητή νοημοσύνη της Google.
Από την εφεύρεση των υπολογιστών, η ικανότητά τους να εκτελούν διάφορες εργασίες συνέχισε να αυξάνεται εκθετικά. Οι άνθρωποι αναπτύσσουν τη δύναμη των συστημάτων υπολογιστών αυξάνοντας τις εργασίες και μειώνοντας το μέγεθος των υπολογιστών. Ο κύριος στόχος των ερευνητών στον τομέα της τεχνητής νοημοσύνης είναι να δημιουργήσουν υπολογιστές ή μηχανές τόσο ευφυείς όσο οι άνθρωποι.
Ο εμπνευστής του όρου «τεχνητή νοημοσύνη» είναι ο John McCarthy, εφευρέτης της γλώσσας Lisp, ιδρυτής του λειτουργικού προγραμματισμού και νικητής του βραβείου Turing για την τεράστια συνεισφορά του στον τομέα της έρευνας τεχνητής νοημοσύνης.
Η τεχνητή νοημοσύνη είναι ένας τρόπος να φτιάξεις έναν υπολογιστή, ένα ρομπότ ή ένα πρόγραμμα που ελέγχεται από υπολογιστή ικανό να σκέφτεται έξυπνα σαν άνθρωπος.
Η έρευνα στον τομέα της τεχνητής νοημοσύνης πραγματοποιείται με τη μελέτη των ανθρώπινων νοητικών ικανοτήτων και στη συνέχεια τα αποτελέσματα αυτής της έρευνας χρησιμοποιούνται ως βάση για την ανάπτυξη έξυπνων προγραμμάτων και συστημάτων.
Κατά τη λειτουργία ισχυρών συστημάτων υπολογιστών, όλοι έθεταν το ερώτημα: «Μπορεί μια μηχανή να σκέφτεται και να συμπεριφέρεται με τον ίδιο τρόπο όπως ένας άνθρωπος;» "
Έτσι, η ανάπτυξη του AI ξεκίνησε με την πρόθεση να δημιουργηθεί παρόμοια νοημοσύνη σε μηχανές, παρόμοια με την ανθρώπινη νοημοσύνη.
Η τεχνητή νοημοσύνη είναι μια επιστήμη και τεχνολογία που βασίζεται σε κλάδους όπως η επιστήμη των υπολογιστών, η βιολογία, η ψυχολογία, η γλωσσολογία, τα μαθηματικά και η μηχανολογία. Ένας από τους κύριους τομείς της τεχνητής νοημοσύνης είναι η ανάπτυξη λειτουργιών του υπολογιστή που σχετίζονται με την ανθρώπινη νοημοσύνη, όπως ο συλλογισμός, η μάθηση και η επίλυση προβλημάτων.
Τα προγράμματα με και χωρίς AI διαφέρουν στις ακόλουθες ιδιότητες:
Η τεχνητή νοημοσύνη έχει γίνει κυρίαρχη σε διάφορους τομείς όπως:
Παιχνίδια - Η τεχνητή νοημοσύνη παίζει καθοριστικό ρόλο σε παιχνίδια που σχετίζονται με τη στρατηγική, όπως το σκάκι, το πόκερ, το τικ-τακ, κ.λπ., όπου ο υπολογιστής μπορεί να υπολογίσει μεγάλο αριθμό διαφόρων αποφάσεων με βάση ευρετικές γνώσεις.
Η επεξεργασία φυσικής γλώσσας είναι η ικανότητα επικοινωνίας με έναν υπολογιστή που κατανοεί τη φυσική γλώσσα που ομιλείται από τους ανθρώπους.
Αναγνώριση ομιλίας - ορισμένα έξυπνα συστήματα είναι σε θέση να ακούσουν και να κατανοήσουν τη γλώσσα στην οποία ένα άτομο επικοινωνεί μαζί τους. Μπορούν να χειριστούν διαφορετικές προφορές, αργκό κ.λπ.
Αναγνώριση χειρογράφου - το λογισμικό διαβάζει κείμενο γραμμένο σε χαρτί με στυλό ή στην οθόνη με γραφίδα. Μπορεί να αναγνωρίσει σχήματα γραμμάτων και να τα μετατρέψει σε επεξεργάσιμο κείμενο.
Τα έξυπνα ρομπότ είναι ρομπότ ικανά να εκτελούν εργασίες που ανατίθενται από ανθρώπους. Διαθέτουν αισθητήρες για την ανίχνευση φυσικών δεδομένων από τον πραγματικό κόσμο, όπως φως, θερμότητα, κίνηση, ήχος, σοκ και πίεση. Διαθέτουν επεξεργαστές υψηλής απόδοσης, πολλαπλούς αισθητήρες και τεράστια μνήμη. Επιπλέον, είναι σε θέση να μάθουν από τα δικά τους λάθη και να προσαρμοστούν σε ένα νέο περιβάλλον.
Ακολουθεί η ιστορία της ανάπτυξης της τεχνητής νοημοσύνης κατά τον 20ο αιώνα
Ο Karel Capek σκηνοθετεί μια παράσταση στο Λονδίνο με τίτλο «Universal Robots», η οποία ήταν η πρώτη χρήση της λέξης «ρομπότ» στα αγγλικά. |
|
Ο Ισαάκ Ασίμοφ, απόφοιτος του Πανεπιστημίου Κολούμπια, επινόησε τον όρο ρομποτική. |
|
Ο Alan Turing αναπτύσσει το τεστ Turing για να αξιολογήσει τη νοημοσύνη. Ο Claude Shannon δημοσιεύει μια λεπτομερή ανάλυση του πνευματικού παιχνιδιού του σκακιού. |
|
Ο John McCarthy επινοεί τον όρο τεχνητή νοημοσύνη. Επίδειξη της πρώτης έναρξης ενός προγράμματος AI στο Πανεπιστήμιο Carnegie Mellon. |
|
Ο John McCarthy εφευρίσκει τη γλώσσα προγραμματισμού lisp για AI. |
|
Η διατριβή του Danny Bobrow στο MIT δείχνει ότι οι υπολογιστές μπορούν να καταλάβουν τη φυσική γλώσσα αρκετά καλά. |
|
Ο Joseph Weizenbaum στο MIT αναπτύσσει την Eliza, μια διαδραστική βοηθό που διεξάγει διάλογο στα αγγλικά. |
|
Επιστήμονες στο Ινστιτούτο Ερευνών του Στάνφορντ ανέπτυξαν το Sheki, ένα μηχανοκίνητο ρομπότ ικανό να ανιχνεύει και να λύνει ορισμένα προβλήματα. |
|
Μια ομάδα ερευνητών στο Πανεπιστήμιο του Εδιμβούργου κατασκεύασε τον Freddy, το διάσημο σκωτσέζικο ρομπότ που μπορεί να χρησιμοποιεί την όραση για να βρει και να συναρμολογήσει μοντέλα. |
|
Κατασκευάστηκε το πρώτο αυτόνομο αυτοκίνητο ελεγχόμενο από υπολογιστή, το Stanford Trolley. |
|
Ο Χάρολντ Κοέν σχεδίασε και παρουσίασε τη συλλογή του προγράμματος, Aaron. |
|
Ένα πρόγραμμα σκακιού που κερδίζει τον παγκόσμιο πρωταθλητή σκακιού Garry Kasparov. |
|
Διαδραστικά ρομποτικά κατοικίδια θα είναι διαθέσιμα στο εμπόριο. Το MIT εμφανίζει το Kismet, ένα ρομπότ με πρόσωπο που εκφράζει συναισθήματα. Το Robot Nomad εξερευνά απομακρυσμένες περιοχές της Ανταρκτικής και βρίσκει μετεωρίτες. |
Τεχνητή νοημοσύνη: πώς και πού να μελετήσετε - απαντούν οι ειδικοί
«Θέλω να κάνω AI. Τι αξίζει να μελετήσετε; Ποιες γλώσσες να χρησιμοποιήσω; Σε ποιους οργανισμούς πρέπει να σπουδάσω και να εργαστώ;
Απευθυνθήκαμε στους ειδικούς μας για διευκρίνιση και σας παρουσιάζουμε τις απαντήσεις που λάβαμε.
Εξαρτάται από τη βασική σας εκπαίδευση. Πρώτα απ 'όλα, χρειάζεστε μια μαθηματική κουλτούρα (γνώση στατιστικών, θεωρία πιθανοτήτων, διακριτά μαθηματικά, γραμμική άλγεβρα, ανάλυση κ.λπ.) και διάθεση να μάθετε πολλά γρήγορα. Κατά την εφαρμογή μεθόδων AI, θα απαιτείται προγραμματισμός (αλγόριθμοι, δομές δεδομένων, OOP, κ.λπ.).
Διαφορετικά έργα απαιτούν γνώση διαφορετικών γλωσσών προγραμματισμού. Θα συνιστούσα να γνωρίζετε τουλάχιστον Python, Java και οποιαδήποτε λειτουργική γλώσσα. Θα είναι χρήσιμη η εμπειρία με διάφορες βάσεις δεδομένων και κατανεμημένα συστήματα. Απαιτούνται δεξιότητες αγγλικής γλώσσας για να μάθετε γρήγορα τις βέλτιστες πρακτικές του κλάδου.
Σας προτείνω να σπουδάσετε σε καλά ρωσικά πανεπιστήμια! Για παράδειγμα, τα MIPT, MSU και HSE έχουν αντίστοιχα τμήματα. Μια μεγάλη ποικιλία θεματικών μαθημάτων είναι διαθέσιμη στις πλατφόρμες Coursera, edX, Udacity, Udemy και σε άλλες πλατφόρμες MOOC. Ορισμένοι κορυφαίοι οργανισμοί έχουν τα δικά τους προγράμματα κατάρτισης στον τομέα της τεχνητής νοημοσύνης (για παράδειγμα, το School of Data Analysis στο Yandex).
Τα προβλήματα εφαρμογών που επιλύονται με μεθόδους τεχνητής νοημοσύνης μπορούν να βρεθούν σε μεγάλη ποικιλία θέσεων. Οι τράπεζες, ο χρηματοοικονομικός τομέας, οι συμβουλές, το λιανικό εμπόριο, το ηλεκτρονικό εμπόριο, οι μηχανές αναζήτησης, οι ταχυδρομικές υπηρεσίες, η βιομηχανία τυχερών παιχνιδιών, η βιομηχανία συστημάτων ασφαλείας και, φυσικά, η Avito - όλα χρειάζονται ειδικούς διαφόρων προσόντων.
Προώθηση υποβιβασμού
Έχουμε ένα έργο fintech που σχετίζεται με τη μηχανική μάθηση και την όραση υπολογιστών, στο οποίο ο πρώτος προγραμματιστής του έγραψε τα πάντα σε C++, μετά ήρθε ένας προγραμματιστής και ξαναέγραψε τα πάντα στην Python. Επομένως, η γλώσσα δεν είναι το πιο σημαντικό πράγμα εδώ, αφού η γλώσσα είναι πρώτα και κύρια ένα εργαλείο και εξαρτάται από εσάς πώς να τη χρησιμοποιήσετε. Απλώς σε ορισμένες γλώσσες τα προβλήματα μπορούν να λυθούν πιο γρήγορα και σε άλλες πιο αργά.
Είναι δύσκολο να πούμε πού να σπουδάσουμε - όλα τα παιδιά μας σπούδασαν μόνοι τους, ευτυχώς υπάρχει το Διαδίκτυο και η Google.
Προώθηση υποβιβασμού
Μπορώ να σας συμβουλέψω να προετοιμαστείτε από την αρχή για το γεγονός ότι θα πρέπει να μελετήσετε πολύ. Ανεξάρτητα από το τι σημαίνει «κάνω AI» - εργασία με μεγάλα δεδομένα ή νευρωνικά δίκτυα. ανάπτυξη τεχνολογίας ή υποστήριξη και εκπαίδευση συγκεκριμένου ήδη ανεπτυγμένου συστήματος.
Ας πάρουμε το μοντέρνο επάγγελμα του Επιστήμονα Δεδομένων για λόγους ειδικών. Τι κάνει αυτό το άτομο; Γενικά, συλλέγει, αναλύει και προετοιμάζει μεγάλα δεδομένα για χρήση. Αυτά είναι εκείνα στα οποία αναπτύσσεται και εκπαιδεύεται η AI. Τι πρέπει να γνωρίζει και να μπορεί να κάνει ένας Data Scientist; Η στατική ανάλυση και η μαθηματική μοντελοποίηση είναι από προεπιλογή και στο επίπεδο της ευχέρειας. Γλώσσες - ας πούμε, R, SAS, Python. Θα ήταν επίσης ωραίο να έχετε κάποια εμπειρία ανάπτυξης. Λοιπόν, σε γενικές γραμμές, ένας καλός επιστήμονας δεδομένων πρέπει να αισθάνεται σίγουρος για βάσεις δεδομένων, αλγόριθμους και οπτικοποίηση δεδομένων.
Δεν σημαίνει ότι ένα τέτοιο σύνολο γνώσεων θα μπορούσε να αποκτηθεί σε κάθε δεύτερο τεχνικό πανεπιστήμιο της χώρας. Οι μεγάλες εταιρείες που δίνουν προτεραιότητα στην ανάπτυξη τεχνητής νοημοσύνης το καταλαβαίνουν και αναπτύσσουν κατάλληλα εκπαιδευτικά προγράμματα για τον εαυτό τους - υπάρχει, για παράδειγμα, το School of Data Analysis από την Yandex. Αλλά πρέπει να γνωρίζετε ότι αυτή δεν είναι η κλίμακα όπου έρχεστε στα μαθήματα "από το δρόμο", αλλά τα αφήνετε ως έτοιμοι junior. Το επίπεδο είναι μεγάλο και είναι λογικό να μελετάς έναν κλάδο όταν τα βασικά (μαθηματικά, στατιστική) έχουν ήδη καλυφθεί, τουλάχιστον στο πλαίσιο του πανεπιστημιακού προγράμματος.
Ναι, θα πάρει αρκετό χρόνο. Αλλά το παιχνίδι αξίζει το κερί, γιατί ένας καλός Επιστήμονας Δεδομένων είναι πολλά υποσχόμενος. Και πολύ ακριβό. Υπάρχει επίσης ένα άλλο σημείο. Η τεχνητή νοημοσύνη, αφενός, δεν είναι πλέον απλώς ένα αντικείμενο διαφημιστικής εκστρατείας, αλλά μια τεχνολογία που έχει φτάσει εντελώς στο στάδιο της παραγωγικότητας. Από την άλλη πλευρά, η τεχνητή νοημοσύνη εξακολουθεί να αναπτύσσεται. Αυτή η εξέλιξη απαιτεί πολλούς πόρους, πολλές δεξιότητες και πολλά χρήματα. Μέχρι στιγμής αυτό είναι το επίπεδο του μεγάλου πρωταθλήματος. Θα πω το προφανές τώρα, αλλά αν θέλετε να είστε στην πρώτη γραμμή της επίθεσης και να οδηγείτε την πρόοδο με τα χέρια σας, στοχεύστε σε εταιρείες όπως το Facebook ή η Amazon.
Ταυτόχρονα, η τεχνολογία χρησιμοποιείται ήδη σε διάφορους τομείς: στον τραπεζικό τομέα, τις τηλεπικοινωνίες, τις γιγάντιες βιομηχανικές επιχειρήσεις και το λιανικό εμπόριο. Και χρειάζονται ήδη ανθρώπους που μπορούν να το υποστηρίξουν. Η Gartner προβλέπει ότι μέχρι το 2020, το 20% όλων των επιχειρήσεων στις ανεπτυγμένες χώρες θα προσλάβει αφοσιωμένους υπαλλήλους για την εκπαίδευση των νευρωνικών δικτύων που χρησιμοποιούνται σε αυτές τις εταιρείες. Υπάρχει λοιπόν λίγος χρόνος για να μάθετε μόνοι σας.
Προώθηση υποβιβασμού
Η τεχνητή νοημοσύνη αναπτύσσεται τώρα ενεργά και είναι δύσκολο να προβλεφθεί δέκα χρόνια νωρίτερα. Τα επόμενα δύο έως τρία χρόνια, οι προσεγγίσεις που βασίζονται σε νευρωνικά δίκτυα και υπολογιστές GPU θα κυριαρχούν. Ο ηγέτης σε αυτόν τον τομέα είναι η Python με το διαδραστικό περιβάλλον Jupyter και τις βιβλιοθήκες numpy, scipy και tensorflow.
Υπάρχουν πολλά διαδικτυακά μαθήματα που παρέχουν μια βασική κατανόηση αυτών των τεχνολογιών και γενικών αρχών τεχνητής νοημοσύνης, όπως το μάθημα του Andrew Ng. Και όσον αφορά τη διδασκαλία αυτού του θέματος, τώρα στη Ρωσία ο πιο αποτελεσματικός τρόπος είναι να σπουδάζετε ανεξάρτητα ή σε μια τοπική ομάδα συμφερόντων (για παράδειγμα, στη Μόσχα, γνωρίζω την ύπαρξη τουλάχιστον δύο ομάδων όπου οι άνθρωποι μοιράζονται εμπειρία και γνώση ).
Προώθηση υποβιβασμού
Προώθηση υποβιβασμού
Σήμερα, το πιο γρήγορα εξελισσόμενο μέρος της τεχνητής νοημοσύνης είναι, ίσως, τα νευρωνικά δίκτυα.
Η μελέτη των νευρωνικών δικτύων και της τεχνητής νοημοσύνης θα πρέπει να ξεκινήσει με την κατάκτηση δύο κλάδων των μαθηματικών - τη γραμμική άλγεβρα και τη θεωρία πιθανοτήτων. Αυτό είναι ένα υποχρεωτικό ελάχιστο, οι ακλόνητοι πυλώνες της τεχνητής νοημοσύνης. Οι υποψήφιοι που θέλουν να κατανοήσουν τα βασικά της τεχνητής νοημοσύνης, όταν επιλέγουν ένα πανεπιστήμιο, κατά τη γνώμη μου, θα πρέπει να δώσουν προσοχή σε σχολές με ισχυρή σχολή μαθηματικών.
Το επόμενο βήμα είναι η μελέτη των προβλημάτων του θέματος. Υπάρχει τεράστιος όγκος λογοτεχνίας, τόσο εκπαιδευτικής όσο και εξειδικευμένης. Οι περισσότερες δημοσιεύσεις σχετικά με το θέμα της τεχνητής νοημοσύνης και των νευρωνικών δικτύων είναι γραμμένες στα αγγλικά, αλλά δημοσιεύονται και υλικά στη ρωσική γλώσσα. Χρήσιμη βιβλιογραφία μπορείτε να βρείτε, για παράδειγμα, στη δημόσια ψηφιακή βιβλιοθήκη arxiv.org.
Αν μιλάμε για τομείς δραστηριότητας, εδώ μπορούμε να επισημάνουμε την εκπαίδευση εφαρμοσμένων νευρωνικών δικτύων και την ανάπτυξη εντελώς νέων εκδόσεων νευρωνικών δικτύων. Ένα εντυπωσιακό παράδειγμα: υπάρχει μια τόσο δημοφιλής ειδικότητα τώρα - "επιστήμονας δεδομένων" (Data Scientist). Πρόκειται για προγραμματιστές που, κατά κανόνα, μελετούν και προετοιμάζουν ορισμένα σύνολα δεδομένων για την εκπαίδευση νευρωνικών δικτύων σε συγκεκριμένες περιοχές εφαρμογών. Συνοψίζοντας, θα ήθελα να τονίσω ότι κάθε εξειδίκευση απαιτεί ξεχωριστό δρόμο προετοιμασίας.
Προώθηση υποβιβασμού
Πριν ξεκινήσετε εξειδικευμένα μαθήματα, πρέπει να μελετήσετε τη γραμμική άλγεβρα και τη στατιστική. Θα συνιστούσα να ξεκινήσετε την εμβάπτισή σας στην τεχνητή νοημοσύνη με το εγχειρίδιο «Μηχανική Μάθηση. The Science and Art of Building Algorithms That Extract Knowledge from Data» είναι μια καλή αρχή για αρχάριους. Στο Coursera, αξίζει να ακούσετε τις εισαγωγικές διαλέξεις του K. Vorontsov (τονίζω ότι απαιτούν καλή γνώση της γραμμικής άλγεβρας) και το μάθημα «Machine Learning» στο Πανεπιστήμιο Stanford, που διδάσκει ο Andrew Ng, καθηγητής και επικεφαλής του Baidu AI. Ομάδα/Google Brain.
Το μεγαλύτερο μέρος είναι γραμμένο σε Python, ακολουθούμενο από το R και το Lua.
Αν μιλάμε για εκπαιδευτικά ιδρύματα, είναι καλύτερο να εγγραφείτε σε μαθήματα στα τμήματα εφαρμοσμένων μαθηματικών και πληροφορικής· υπάρχουν κατάλληλα εκπαιδευτικά προγράμματα. Για να δοκιμάσετε τις ικανότητές σας, μπορείτε να λάβετε μέρος σε διαγωνισμούς Kaggle, όπου μεγάλες παγκόσμιες μάρκες προσφέρουν τις θήκες τους.
Προώθηση υποβιβασμού
Σε κάθε επιχείρηση, πριν ξεκινήσετε έργα, καλό θα ήταν να αποκτήσετε μια θεωρητική βάση. Υπάρχουν πολλά μέρη όπου μπορείτε να αποκτήσετε επίσημο μεταπτυχιακό σε αυτόν τον τομέα ή να βελτιώσετε τα προσόντα σας. Για παράδειγμα, η Skoltech προσφέρει μεταπτυχιακά προγράμματα στους τομείς της «Υπολογιστικής Επιστήμης και Μηχανικής» και της «Επιστήμης Δεδομένων», η οποία περιλαμβάνει μαθήματα «Μηχανικής Μάθησης» και «Επεξεργασίας Φυσικής Γλώσσας». Μπορείτε επίσης να αναφέρετε το Ινστιτούτο Ευφυών Κυβερνητικών Συστημάτων του Εθνικού Ερευνητικού Πυρηνικού Πανεπιστημίου MEPhI, τη Σχολή Υπολογιστικών Μαθηματικών και Κυβερνητικής του Κρατικού Πανεπιστημίου της Μόσχας και το Τμήμα Ευφυών Συστημάτων του MIPT.
Εάν έχετε ήδη επίσημη εκπαίδευση, υπάρχει ένας αριθμός μαθημάτων διαθέσιμα σε διάφορες πλατφόρμες MOOC. Για παράδειγμα, το EDx.org προσφέρει μαθήματα τεχνητής νοημοσύνης από τη Microsoft και το Πανεπιστήμιο Κολούμπια, το τελευταίο από τα οποία προσφέρει ένα πρόγραμμα μικρομάστερ σε λογική τιμή. Θα ήθελα να σημειώσω ιδιαίτερα ότι συνήθως μπορείτε να αποκτήσετε τη γνώση δωρεάν· πληρώνετε μόνο για το πιστοποιητικό εάν είναι απαραίτητο για το βιογραφικό σας.
Εάν θέλετε να «βουτήξετε βαθιά» στο θέμα, ορισμένες εταιρείες στη Μόσχα προσφέρουν εβδομαδιαία εντατικά μαθήματα με πρακτικά μαθήματα και προσφέρουν ακόμη και εξοπλισμό για πειράματα (για παράδειγμα, newprolab.com), ωστόσο, η τιμή τέτοιων μαθημάτων ξεκινά από αρκετές δεκάδες χιλιάδες ρούβλια.
Μεταξύ των εταιρειών που αναπτύσσουν Τεχνητή Νοημοσύνη, πιθανότατα γνωρίζετε την Yandex και τη Sberbank, αλλά υπάρχουν πολλές άλλες διαφορετικών μεγεθών. Για παράδειγμα, αυτή την εβδομάδα το Υπουργείο Άμυνας άνοιξε το ERA Military Innovation Technopolis στην Ανάπα, ένα από τα θέματα του οποίου είναι η ανάπτυξη τεχνητής νοημοσύνης για στρατιωτικές ανάγκες.
Προώθηση υποβιβασμού
Πριν μελετήσουμε την τεχνητή νοημοσύνη, πρέπει να αποφασίσουμε ένα θεμελιώδες ερώτημα: να πάρουμε το κόκκινο χάπι ή το μπλε.
Το κόκκινο χάπι είναι να γίνεις προγραμματιστής και να βουτήξεις στον σκληρό κόσμο των στατιστικών μεθόδων, των αλγορίθμων και της συνεχούς κατανόησης του αγνώστου. Από την άλλη πλευρά, δεν χρειάζεται να βιαστείτε αμέσως στην «τρύπα του κουνελιού»: μπορείτε να γίνετε διαχειριστής και να δημιουργήσετε AI, για παράδειγμα, ως διαχειριστής έργου. Πρόκειται για δύο ριζικά διαφορετικούς δρόμους.
Το πρώτο είναι υπέροχο αν έχετε ήδη αποφασίσει ότι θα γράψετε αλγόριθμους τεχνητής νοημοσύνης. Τότε πρέπει να ξεκινήσετε με την πιο δημοφιλή κατεύθυνση σήμερα - τη μηχανική μάθηση. Για να γίνει αυτό, πρέπει να γνωρίζετε τις κλασικές στατιστικές μεθόδους ταξινόμησης, ομαδοποίησης και παλινδρόμησης. Θα είναι επίσης χρήσιμο να εξοικειωθείτε με τα κύρια μέτρα για την αξιολόγηση της ποιότητας μιας λύσης, τις ιδιότητές τους... και ό,τι έρχεται στο δρόμο σας.
Μόνο αφού η βάση έχει κατακτηθεί, αξίζει να μελετήσετε πιο εξειδικευμένες μεθόδους: δέντρα αποφάσεων και σύνολα από αυτά. Σε αυτό το στάδιο, θα πρέπει να βουτήξετε βαθιά στις βασικές μεθόδους κατασκευής και εκπαίδευσης μοντέλων - κρύβονται πίσω από τις ελάχιστα αξιοπρεπείς λέξεις που ζητιανεύουν, ενισχύουν, στοιβάζουν ή αναμειγνύονται.
Αξίζει επίσης να μάθετε για τις μεθόδους ελέγχου της επανεκπαίδευσης μοντέλων (άλλο «ing» - υπερπροσαρμογή).
Και τέλος, ένα πολύ επίπεδο Jedi - απόκτηση εξαιρετικά εξειδικευμένων γνώσεων. Για παράδειγμα, η βαθιά εκμάθηση θα απαιτήσει γνώση βασικών αρχιτεκτονικών και αλγορίθμων κατάβασης με κλίση. Εάν ενδιαφέρεστε για προβλήματα επεξεργασίας φυσικής γλώσσας, προτείνω να μελετήσετε τα επαναλαμβανόμενα νευρωνικά δίκτυα. Και οι μελλοντικοί δημιουργοί αλγορίθμων για την επεξεργασία εικόνων και βίντεο θα πρέπει να κοιτάξουν καλά τα συνελικτικά νευρωνικά δίκτυα.
Οι δύο τελευταίες δομές που αναφέρθηκαν είναι τα δομικά στοιχεία των δημοφιλών αρχιτεκτονικών σήμερα: τα αντίθετα δίκτυα (GANs), τα σχεσιακά δίκτυα και τα δίκτυα πλέγματος. Επομένως, θα είναι χρήσιμο να τα μελετήσετε, ακόμα κι αν δεν σκοπεύετε να διδάξετε στον υπολογιστή να βλέπει ή να ακούει.
Μια εντελώς διαφορετική προσέγγιση για τη μελέτη της τεχνητής νοημοσύνης - γνωστό και ως το «μπλε χάπι» - ξεκινά με το να βρείτε τον εαυτό σας. Η τεχνητή νοημοσύνη γεννά ένα σωρό εργασίες και ολόκληρα επαγγέλματα: από διαχειριστές έργων τεχνητής νοημοσύνης έως μηχανικούς δεδομένων ικανούς να προετοιμάσουν δεδομένα, να τα καθαρίσουν και να δημιουργήσουν επεκτάσιμα, φορτωμένα και ανεκτικά σε σφάλματα συστήματα.
Έτσι, με μια «διαχειριστική» προσέγγιση, θα πρέπει πρώτα να αξιολογήσετε τις ικανότητες και το υπόβαθρό σας και μόνο μετά να επιλέξετε πού και τι θα σπουδάσετε. Για παράδειγμα, ακόμα και χωρίς μαθηματικό μυαλό, μπορείτε να σχεδιάσετε διεπαφές AI και οπτικοποιήσεις για έξυπνους αλγόριθμους. Αλλά ετοιμαστείτε: σε 5 χρόνια, η τεχνητή νοημοσύνη θα αρχίσει να σας τρολάρει και να σας αποκαλεί «ανθρωπιστή».
Οι κύριες μέθοδοι ML υλοποιούνται με τη μορφή έτοιμων βιβλιοθηκών, διαθέσιμων για σύνδεση σε διάφορες γλώσσες. Οι πιο δημοφιλείς γλώσσες στο ML σήμερα είναι: C++, Python και R.
Υπάρχουν πολλά μαθήματα τόσο στα ρωσικά όσο και στα αγγλικά, όπως τα μαθήματα Yandex School of Data Analysis, SkillFactory και OTUS. Αλλά προτού επενδύσετε χρόνο και χρήμα σε εξειδικευμένη εκπαίδευση, πιστεύω ότι αξίζει να «μπείτε στο θέμα»: παρακολουθήστε ανοιχτές διαλέξεις στο YouTube από συνέδρια του DataFest τα τελευταία χρόνια, παρακολουθήστε δωρεάν μαθήματα από το Coursera και το Habrahabr.
Η τεχνητή νοημοσύνη δημιούργησε ένα νευρωνικό δίκτυο στις 15 Δεκεμβρίου 2017
Έχουμε φτάσει στο σημείο όπου η τεχνητή νοημοσύνη δημιουργεί το δικό της νευρωνικό δίκτυο. Αν και πολλοί πιστεύουν ότι αυτό είναι το ίδιο πράγμα. Αλλά στην πραγματικότητα, δεν είναι όλα τόσο απλά και τώρα θα προσπαθήσουμε να καταλάβουμε τι είναι και ποιος μπορεί να δημιουργήσει ποιον.
Μηχανικοί από το τμήμα Google Brain παρουσίασαν το AutoML αυτή την άνοιξη. Αυτή η τεχνητή νοημοσύνη μπορεί να παράγει το δικό της μοναδικό AI χωρίς ανθρώπινη παρέμβαση. Όπως αποδείχθηκε, η AutoML μπόρεσε να δημιουργήσει το NASNet, ένα σύστημα όρασης υπολογιστή, για πρώτη φορά. Αυτή η τεχνολογία είναι πολύ ανώτερη από όλα τα ανάλογα που δημιουργήθηκαν προηγουμένως από ανθρώπους. Αυτό το σύστημα που βασίζεται στην τεχνητή νοημοσύνη θα μπορούσε να είναι ένας εξαιρετικός βοηθός στην ανάπτυξη, ας πούμε, αυτόνομων αυτοκινήτων. Ισχύει επίσης στη ρομποτική - τα ρομπότ θα μπορούν να φτάσουν σε ένα εντελώς νέο επίπεδο.
Το AutoML αναπτύσσεται χρησιμοποιώντας ένα μοναδικό σύστημα ενισχυτικής μάθησης. Μιλάμε για έναν διαχειριστή νευρωνικών δικτύων που αναπτύσσει ανεξάρτητα εντελώς νέα νευρωνικά δίκτυα σχεδιασμένα για συγκεκριμένες συγκεκριμένες εργασίες. Στην περίπτωση που αναφέραμε, η AutoML στοχεύει να παράγει ένα σύστημα που αναγνωρίζει με μεγαλύτερη ακρίβεια τα αντικείμενα σε ένα βίντεο σε πραγματικό χρόνο.
Η ίδια η τεχνητή νοημοσύνη ήταν σε θέση να εκπαιδεύσει ένα νέο νευρωνικό δίκτυο, παρακολουθώντας για σφάλματα και διορθώνοντας την εργασία. Η εκπαιδευτική διαδικασία επαναλήφθηκε πολλές φορές (χιλιάδες φορές) μέχρι να λειτουργήσει το σύστημα. Είναι ενδιαφέρον ότι μπόρεσε να παρακάμψει οποιαδήποτε παρόμοια νευρωνικά δίκτυα διαθέσιμα αυτήν τη στιγμή, αλλά αναπτύχθηκαν και εκπαιδεύτηκαν από ανθρώπους.
Ταυτόχρονα, η AutoML αξιολογεί την απόδοση του NASNet και χρησιμοποιεί αυτές τις πληροφορίες για να βελτιώσει το θυγατρικό δίκτυο. αυτή η διαδικασία επαναλαμβάνεται χιλιάδες φορές. Όταν οι μηχανικοί δοκίμασαν το NASNet σε σετ εικόνας ImageNet και COCO, ξεπέρασε τις επιδόσεις όλων των υπαρχόντων συστημάτων όρασης υπολογιστών.
Η Google έχει δηλώσει επίσημα ότι το NASNet αναγνωρίζει με ακρίβεια 82,7%. Το αποτέλεσμα είναι 1,2% υψηλότερο από το προηγούμενο ρεκόρ, το οποίο σημείωσαν ερευνητές από ειδικούς της Momenta και της Οξφόρδης στις αρχές του φθινοπώρου αυτού του έτους. Το NASNet είναι 4% πιο αποδοτικό από τα αντίστοιχα του με μέση ακρίβεια 43,1%.
Υπάρχει επίσης μια απλοποιημένη έκδοση του NASNet, η οποία είναι προσαρμοσμένη για κινητές πλατφόρμες. Ξεπερνά τα ανάλογα του κατά λίγο περισσότερο από το 3%. Στο εγγύς μέλλον, θα είναι δυνατή η χρήση αυτού του συστήματος για την παραγωγή αυτόνομων αυτοκινήτων, για τα οποία είναι σημαντική η παρουσία υπολογιστικής όρασης. Η AutoML συνεχίζει να παράγει νέα απογόνους νευρωνικών δικτύων, προσπαθώντας να κατακτήσει ακόμη μεγαλύτερα ύψη.
Αυτό, φυσικά, εγείρει ηθικά ερωτήματα που σχετίζονται με ανησυχίες σχετικά με την τεχνητή νοημοσύνη: τι γίνεται αν η AutoML δημιουργεί συστήματα με τέτοια ταχύτητα που η κοινωνία απλά δεν μπορεί να συμβαδίσει; Ωστόσο, πολλές μεγάλες εταιρείες προσπαθούν να λάβουν υπόψη τους τις ανησυχίες για την ασφάλεια της τεχνητής νοημοσύνης. Για παράδειγμα, η Amazon, το Facebook, η Apple και ορισμένες άλλες εταιρείες είναι μέλη της Συνεργασίας για την τεχνητή νοημοσύνη προς όφελος των ανθρώπων και της κοινωνίας. Το Ινστιτούτο Ηλεκτρολόγων και Ηλεκτρολόγων Μηχανικών (IEE) έχει προτείνει ηθικά πρότυπα για την τεχνητή νοημοσύνη και η DeepMind, για παράδειγμα, ανακοίνωσε τη δημιουργία μιας ομάδας που θα ασχολείται με ηθικά και ηθικά ζητήματα που σχετίζονται με τις εφαρμογές της τεχνητής νοημοσύνης.
Ωστόσο, πολλές μεγάλες εταιρείες προσπαθούν να λάβουν υπόψη τους τις ανησυχίες για την ασφάλεια της τεχνητής νοημοσύνης. Αυτό, φυσικά, εγείρει ηθικά ερωτήματα που σχετίζονται με ανησυχίες σχετικά με την τεχνητή νοημοσύνη: τι γίνεται αν η AutoML δημιουργεί συστήματα με τέτοια ταχύτητα που η κοινωνία απλά δεν μπορεί να συμβαδίσει; Το Ινστιτούτο Ηλεκτρολόγων και Ηλεκτρολόγων Μηχανικών (IEE) έχει προτείνει ηθικά πρότυπα για την τεχνητή νοημοσύνη και η DeepMind, για παράδειγμα, ανακοίνωσε τη δημιουργία μιας ομάδας που θα ασχολείται με ηθικά και ηθικά ζητήματα που σχετίζονται με τις εφαρμογές της τεχνητής νοημοσύνης. Για παράδειγμα, η Amazon, το Facebook, η Apple και ορισμένες άλλες εταιρείες είναι μέλη της Συνεργασίας για την τεχνητή νοημοσύνη προς όφελος των ανθρώπων και της κοινωνίας.
Τι είναι η τεχνητή νοημοσύνη;
Ο εμπνευστής του όρου «τεχνητή νοημοσύνη» είναι ο John McCarthy, εφευρέτης της γλώσσας Lisp, ιδρυτής του λειτουργικού προγραμματισμού και νικητής του βραβείου Turing για την τεράστια συνεισφορά του στον τομέα της έρευνας τεχνητής νοημοσύνης.
Η τεχνητή νοημοσύνη είναι ένας τρόπος να φτιάξεις έναν υπολογιστή, ένα ρομπότ ελεγχόμενο από υπολογιστή ή ένα πρόγραμμα ικανό να σκέφτεται τόσο έξυπνα όσο ένας άνθρωπος.
Η έρευνα στον τομέα της τεχνητής νοημοσύνης πραγματοποιείται με τη μελέτη των ανθρώπινων νοητικών ικανοτήτων και στη συνέχεια τα αποτελέσματα αυτής της έρευνας χρησιμοποιούνται ως βάση για την ανάπτυξη έξυπνων προγραμμάτων και συστημάτων.
Τι είναι ένα νευρωνικό δίκτυο;
Η ιδέα ενός νευρωνικού δικτύου είναι να συναρμολογήσει μια πολύπλοκη δομή από πολύ απλά στοιχεία. Είναι απίθανο μόνο ένα μέρος του εγκεφάλου να μπορεί να θεωρηθεί έξυπνο, αλλά οι άνθρωποι συνήθως τα καταφέρνουν εκπληκτικά καλά στα τεστ IQ. Ωστόσο, μέχρι τώρα η ιδέα της δημιουργίας ενός μυαλού «από το τίποτα» είχε συνήθως γελοιοποιηθεί: το αστείο για χίλιους πιθήκους με γραφομηχανές είναι ήδη εκατό ετών, και αν θέλετε, η κριτική στα νευρωνικά δίκτυα μπορεί ακόμη και να βρεθεί στον Κικέρωνα, ο οποίος σαρκαστικά πρότεινε να πετάξεις μάρκες με γράμματα στον αέρα μέχρι να γίνεις μπλε στο πρόσωπο, ώστε αργά ή γρήγορα να βγει ένα κείμενο με νόημα. Ωστόσο, στον 21ο αιώνα αποδείχθηκε ότι οι κλασικοί σαρκάζονταν μάταια: είναι ένας στρατός πιθήκων με μάρκες που, με τη δέουσα επιμονή, μπορούν να κυριεύσουν τον κόσμο.
Στην πραγματικότητα, ένα νευρωνικό δίκτυο μπορεί να συναρμολογηθεί ακόμα και από σπιρτόκουτα: είναι απλώς ένα σύνολο απλών κανόνων με τους οποίους γίνεται η επεξεργασία των πληροφοριών. Ένας «τεχνητός νευρώνας», ή perceptron, δεν είναι μια ειδική συσκευή, αλλά μόνο μερικές αριθμητικές πράξεις.
Η εργασία του perceptron δεν θα μπορούσε να είναι απλούστερη: λαμβάνει αρκετούς αρχικούς αριθμούς, πολλαπλασιάζει τον καθένα με την «τιμή» αυτού του αριθμού (περισσότερα για αυτό παρακάτω), τον αθροίζει και, ανάλογα με το αποτέλεσμα, βγάζει 1 ή -1. Για παράδειγμα, φωτογραφίζουμε ένα καθαρό πεδίο και δείχνουμε τον νευρώνα μας κάποιο σημείο σε αυτήν την εικόνα - δηλαδή, του στέλνουμε τυχαίες συντεταγμένες ως δύο σήματα. Και μετά ρωτάμε: "Αγαπητέ νευρώνα, αυτός είναι ο ουρανός ή η γη;" «Μείον ένα», απαντά το ομοίωμα, κοιτάζοντας γαλήνια το σύννεφο σωρευμάτων. «Είναι ξεκάθαρο ότι είναι γη».
«Το να δείχνεις με το δάχτυλο στον ουρανό» είναι η κύρια δραστηριότητα του περσεπτονίου. Δεν μπορείτε να περιμένετε καμία ακρίβεια από αυτόν: μπορείτε εξίσου εύκολα να γυρίσετε ένα νόμισμα. Η μαγεία ξεκινά στο επόμενο στάδιο, που ονομάζεται μηχανική μάθηση. Γνωρίζουμε τη σωστή απάντηση, που σημαίνει ότι μπορούμε να την γράψουμε στο πρόγραμμά μας. Αποδεικνύεται λοιπόν ότι για κάθε εσφαλμένη εικασία το perceptron λαμβάνει κυριολεκτικά μια ποινή, και για μια σωστή εικασία - ένα μπόνους: η "αξία" των εισερχόμενων σημάτων αυξάνεται ή μειώνεται. Μετά από αυτό, το πρόγραμμα εκτελείται χρησιμοποιώντας τη νέα φόρμουλα. Αργά ή γρήγορα, ο νευρώνας αναπόφευκτα θα «καταλάβει» ότι η γη στη φωτογραφία είναι από κάτω και ο ουρανός είναι πάνω, δηλαδή, απλά θα αρχίσει να αγνοεί το σήμα από το κανάλι μέσω του οποίου μεταδίδονται οι συντεταγμένες x. Εάν ρίξετε μια άλλη φωτογραφία σε ένα τόσο εξελιγμένο ρομπότ, τότε μπορεί να μην βρει τη γραμμή του ορίζοντα, αλλά σίγουρα δεν θα μπερδέψει το επάνω μέρος με το κάτω μέρος.
Στην πραγματική εργασία, οι τύποι είναι λίγο πιο περίπλοκοι, αλλά η αρχή παραμένει η ίδια. Το perceptron μπορεί να κάνει μόνο μία εργασία: να πάρει αριθμούς και να τους βάλει σε δύο στοίβες. Το πιο ενδιαφέρον ξεκινά όταν υπάρχουν πολλά τέτοια στοιχεία, γιατί οι εισερχόμενοι αριθμοί μπορεί να είναι σήματα από άλλα «δομικά στοιχεία»! Ας υποθέσουμε ότι ένας νευρώνας θα προσπαθήσει να διακρίνει τα μπλε εικονοστοιχεία από τα πράσινα, ο δεύτερος θα συνεχίσει να ασχολείται με τις συντεταγμένες και ο τρίτος θα προσπαθήσει να κρίνει ποιο από αυτά τα δύο αποτελέσματα είναι πιο κοντά στην αλήθεια. Εάν ορίσετε πολλούς νευρώνες σε μπλε εικονοστοιχεία ταυτόχρονα και συνοψίσετε τα αποτελέσματά τους, θα λάβετε ένα ολόκληρο επίπεδο στο οποίο οι «καλύτεροι μαθητές» θα λάβουν επιπλέον μπόνους. Έτσι, ένα αρκετά διαδεδομένο δίκτυο μπορεί να φτυαρίσει μέσα από ένα ολόκληρο βουνό δεδομένων και να λάβει υπόψη όλα τα λάθη του.
Ένα νευρωνικό δίκτυο μπορεί να γίνει χρησιμοποιώντας σπιρτόκουτα - τότε θα έχετε ένα κόλπο στο οπλοστάσιό σας που μπορείτε να χρησιμοποιήσετε για να διασκεδάσετε τους καλεσμένους στα πάρτι. Οι συντάκτες του MirF το έχουν ήδη δοκιμάσει και ταπεινά αναγνωρίζουν την ανωτερότητα της τεχνητής νοημοσύνης. Ας διδάξουμε την παράλογη ύλη να παίζει το παιχνίδι «11 ραβδιά». Οι κανόνες είναι απλοί: υπάρχουν 11 αγώνες στο τραπέζι και σε κάθε κίνηση μπορείτε να πάρετε είτε έναν είτε δύο. Αυτός που πήρε το τελευταίο κερδίζει. Πώς να παίξετε αυτό ενάντια στον "υπολογιστή";
Πολύ απλό.
Πάρτε 10 κουτιά ή φλιτζάνια. Σε καθένα γράφουμε έναν αριθμό από το 2 έως το 11.
Βάζουμε δύο βότσαλα σε κάθε κουτί - ασπρόμαυρο. Μπορείτε να χρησιμοποιήσετε οποιαδήποτε αντικείμενα, αρκεί να είναι διαφορετικά μεταξύ τους. Αυτό ήταν - έχουμε ένα δίκτυο δέκα νευρώνων!
Το νευρωνικό δίκτυο είναι πάντα πρώτο. Πρώτα, κοιτάξτε πόσα σπίρτα έχουν απομείνει και πάρτε ένα κουτί με αυτόν τον αριθμό. Στην πρώτη κίνηση θα είναι το κουτί με αριθμό 11. Πάρτε οποιοδήποτε βότσαλο από το κουτί που θέλετε. Μπορείτε να κλείσετε τα μάτια σας ή να ρίξετε ένα νόμισμα, το κύριο πράγμα είναι να ενεργήσετε τυχαία.
Εάν η πέτρα είναι λευκή, το νευρωνικό δίκτυο αποφασίζει να πάρει δύο σπίρτα. Αν μαύρο - ένα. Τοποθετήστε ένα βότσαλο δίπλα στο κουτί για να μην ξεχάσετε ποιος «νευρώνας» πήρε την απόφαση. Μετά από αυτό, το άτομο περπατά - και ούτω καθεξής μέχρι να τελειώσουν οι αγώνες.
Τώρα έρχεται το διασκεδαστικό μέρος: η μάθηση. Εάν το δίκτυο κερδίσει το παιχνίδι, τότε πρέπει να ανταμειφθεί: ρίξτε ένα επιπλέον βότσαλο του ίδιου χρώματος που έπεσε έξω κατά τη διάρκεια του παιχνιδιού σε αυτούς τους «νευρώνες» που συμμετείχαν σε αυτό το παιχνίδι. Εάν το δίκτυο χάσει, πάρτε το τελευταίο κουτί που χρησιμοποιήθηκε και αφαιρέστε την ανεπιτυχή πέτρα από εκεί. Μπορεί να αποδειχθεί ότι το κουτί είναι ήδη άδειο, τότε ο "τελευταίος" νευρώνας θεωρείται ότι είναι ο προηγούμενος. Κατά τη διάρκεια του επόμενου παιχνιδιού, όταν χτυπήσει ένα άδειο κουτί, το νευρωνικό δίκτυο θα εγκαταλείψει αυτόματα.
Αυτό είναι όλο! Παίξτε μερικά παιχνίδια όπως αυτό. Στην αρχή δεν θα παρατηρήσετε τίποτα ύποπτο, αλλά μετά από κάθε νίκη το δίκτυο θα κάνει όλο και πιο επιτυχημένες κινήσεις - και μετά από περίπου δώδεκα παιχνίδια θα συνειδητοποιήσετε ότι έχετε δημιουργήσει ένα τέρας που δεν μπορείτε να νικήσετε.
Πηγές:
«Είμαστε στο κατώφλι των μεγαλύτερων αλλαγών συγκρίσιμων με την ανθρώπινη εξέλιξη» - συγγραφέας επιστημονικής φαντασίας Vernor Stefan Vinge
Πώς θα σας φαινόταν αν ήξερες ότι βρισκόσασταν στα πρόθυρα μιας τεράστιας αλλαγής όπως το ανθρωπάκι στο παρακάτω γράφημα;
Ο κάθετος άξονας είναι η ανάπτυξη της ανθρωπότητας, ο οριζόντιος είναι ο χρόνος
Συναρπαστικό, έτσι δεν είναι;
Ωστόσο, αν αποκρύψετε μέρος του γραφήματος, τότε όλα φαίνονται πολύ πιο πεζά.
Το μακρινό μέλλον είναι προ των πυλών
Φανταστείτε ότι βρίσκεστε το 1750. Εκείνες τις μέρες, οι άνθρωποι δεν είχαν ακούσει ακόμη για ηλεκτρισμό, η επικοινωνία από απόσταση γινόταν με τη βοήθεια πυρσών και το μόνο μέσο μεταφοράς έπρεπε να ταΐζεται με σανό πριν από το ταξίδι. Και έτσι αποφασίζεις να πάρεις το «άτομο από το παρελθόν» μαζί σου και να του δείξεις τη ζωή το 2016. Είναι αδύνατο να φανταστεί κανείς τι θα ένιωθε αν βρισκόταν σε φαρδιούς, επίπεδους δρόμους στους οποίους έτρεχαν αυτοκίνητα. Ο καλεσμένος σας θα εκπλαγεί απίστευτα που οι σύγχρονοι άνθρωποι μπορούν να επικοινωνούν ακόμα κι αν βρίσκονται σε διαφορετικές πλευρές του πλανήτη, παρακολουθούν αθλητικές εκδηλώσεις σε άλλες χώρες, παρακολουθούν συναυλίες πριν από 50 χρόνια και επίσης αποθηκεύουν οποιαδήποτε στιγμή σε μια φωτογραφία ή ένα βίντεο. Και αν έλεγες σε αυτόν τον άνθρωπο από το 1750 για το Διαδίκτυο, τον Διεθνή Διαστημικό Σταθμό, τον Μεγάλο Επιταχυντή Αδρονίων και τη Θεωρία της Σχετικότητας, η άποψή του για τον κόσμο πιθανότατα θα κατέρρεε. Θα μπορούσε ακόμη και να πεθάνει από υπερβολική αφθονία εντυπώσεων.
Αλλά αυτό είναι το ενδιαφέρον: αν ο καλεσμένος σας επέστρεψε στον «εγγενή» αιώνα του και αποφάσισε να πραγματοποιήσει ένα παρόμοιο πείραμα, πηγαίνοντας ένα άτομο από το 1500 για μια βόλτα με μια χρονομηχανή, τότε αν και ένας επισκέπτης από το παρελθόν μπορεί επίσης να εκπλαγεί από πολλούς πράγματα, η εμπειρία του δεν θα ήταν τόσο εντυπωσιακή — η διαφορά μεταξύ 1500 και 1750 δεν είναι τόσο αισθητή όσο μεταξύ 1750 και 2016.
Αν κάποιος από τον 18ο αιώνα θέλει να εντυπωσιάσει έναν επισκέπτη από το παρελθόν, τότε θα πρέπει να καλέσει κάποιον που έζησε το 12.000 π.Χ., πριν από τη Μεγάλη Αγροτική Επανάσταση. Πραγματικά θα μπορούσε να είχε «ξεκαρφωθεί» από την ανάπτυξη της τεχνολογίας. Βλέποντας τα ψηλά καμπαναριά των εκκλησιών, τα καράβια να οργώνουν τους ωκεανούς, τις πόλεις με χιλιάδες κατοίκους, λιποθυμούσε από τα φουντωμένα συναισθήματα.
Ο ρυθμός ανάπτυξης της τεχνολογίας και της κοινωνίας αυξάνεται συνεχώς. Ο διάσημος Αμερικανός εφευρέτης και μελλοντολόγος Raymond Kurzweil αποκαλεί αυτόν τον όρο «Ο νόμος της επιτάχυνσης της ιστορίας». Αυτό συμβαίνει επειδή η εισαγωγή νέων τεχνολογιών επιτρέπει στην κοινωνία να αναπτυχθεί με ολοένα και ταχύτερους ρυθμούς. Για παράδειγμα, οι άνθρωποι που έζησαν τον 19ο αιώνα είχαν πιο προηγμένη τεχνολογία από εκείνους του 15ου. Επομένως, δεν αποτελεί έκπληξη το γεγονός ότι ο 19ος αιώνας έφερε περισσότερα επιτεύγματα στην ανθρωπότητα από τον 15ο.
Αλλά αν η τεχνολογία αναπτύσσεται όλο και πιο γρήγορα, θα πρέπει να περιμένουμε πολλές μεγαλύτερες εφευρέσεις στο μέλλον, σωστά; Αν ο Kurzweil και οι ομοϊδεάτες του έχουν δίκιο, τότε το 2030 θα βιώσουμε τα ίδια συναισθήματα με ένα άτομο που ήρθε από το 1750 στο δικό μας. Και μέχρι το 2050, ο κόσμος θα έχει αλλάξει τόσο πολύ που δύσκολα θα μπορούμε να διακρίνουμε τα χαρακτηριστικά των προηγούμενων δεκαετιών.
Όλα τα παραπάνω δεν είναι επιστημονική φαντασία - είναι επιστημονικά επιβεβαιωμένα και αρκετά λογικά. Ωστόσο, πολλοί εξακολουθούν να είναι δύσπιστοι σχετικά με τέτοιους ισχυρισμούς. Αυτό συμβαίνει για διάφορους λόγους:
1. Πολλοί άνθρωποι πιστεύουν ότι η ανάπτυξη της κοινωνίας συμβαίνει ομοιόμορφα και άμεσα. Όταν σκεφτόμαστε πώς θα είναι ο κόσμος σε 30 χρόνια, θυμόμαστε τι συνέβη τα τελευταία 30 χρόνια. Σε αυτό το σημείο, κάνουμε το ίδιο λάθος με το άτομο από το παραπάνω παράδειγμα, που έζησε το 1750 και κάλεσε έναν επισκέπτη από το 1500. Για να φανταστείτε σωστά την πρόοδο που ακολουθεί, πρέπει να φανταστείτε ότι η ανάπτυξη συμβαίνει με πολύ ταχύτερο ρυθμό από ό,τι στο μακρινό παρελθόν.
2. Λανθασμένα αντιλαμβανόμαστε την τροχιά ανάπτυξης της σύγχρονης κοινωνίας. Για παράδειγμα, αν κοιτάξουμε ένα μικρό τμήμα μιας εκθετικής καμπύλης, μπορεί να μας φαίνεται ότι είναι μια ευθεία γραμμή (ακριβώς σαν να κοιτούσαμε μέρος ενός κύκλου). Ωστόσο, η εκθετική ανάπτυξη δεν είναι ομαλή και ομαλή. Ο Kurzweil εξηγεί ότι η πρόοδος ακολουθεί μια καμπύλη σχήματος s, όπως φαίνεται στο παρακάτω γράφημα:
Κάθε «γύρος» ανάπτυξης ξεκινά με ένα ξαφνικό άλμα, το οποίο στη συνέχεια αντικαθίσταται από σταθερή και σταδιακή ανάπτυξη.
Έτσι, κάθε νέος «γύρος» ανάπτυξης χωρίζεται σε διάφορα στάδια:
1. Αργή ανάπτυξη (αρχική φάση ανάπτυξης).
2. Ταχεία ανάπτυξη (η δεύτερη, «εκρηκτική» φράση ανάπτυξης).
3. «Εισπέδωση», όταν μια νέα τεχνολογία φέρεται στην τελειότητα.
Αν κοιτάξουμε τα πρόσφατα γεγονότα, μπορεί να καταλήξουμε στο συμπέρασμα ότι δεν γνωρίζουμε πλήρως πόσο γρήγορα προχωρά η τεχνολογία. Για παράδειγμα, μεταξύ 1995 και 2007 θα μπορούσαμε να δούμε την εμφάνιση του Διαδικτύου, της Microsoft, της Google και του Facebook, των κοινωνικών δικτύων, των κινητών τηλεφώνων και στη συνέχεια των smartphone. Όμως η περίοδος μεταξύ 2008 και 2016 δεν ήταν τόσο πλούσια σε ανακαλύψεις, τουλάχιστον στον τομέα της υψηλής τεχνολογίας. Έτσι, βρισκόμαστε τώρα στο στάδιο 3 της γραμμής ανάπτυξης σε σχήμα s.
3. Πολλοί άνθρωποι είναι όμηροι των δικών τους εμπειριών ζωής, που διαστρεβλώνουν την άποψή τους για το μέλλον. Όταν ακούμε οποιαδήποτε πρόβλεψη για το μέλλον που έρχεται σε αντίθεση με την άποψή μας με βάση την προηγούμενη εμπειρία, θεωρούμε ότι αυτή η κρίση είναι αφελής. Για παράδειγμα, αν σας πουν σήμερα ότι στο μέλλον οι άνθρωποι θα ζήσουν 150-250 χρόνια ή , τότε πιθανότατα θα απαντήσετε: «Αυτό είναι ανόητο, γιατί είναι γνωστό ότι όλοι είναι θνητοί». Πράγματι, όλοι οι άνθρωποι που έζησαν ποτέ στο παρελθόν έχουν πεθάνει και συνεχίζουν να πεθαίνουν σήμερα. Αξίζει όμως να σημειωθεί ότι κανείς δεν πέταξε αεροπλάνα μέχρι να εφευρεθούν τελικά.
Στην πραγματικότητα, πολλά θα αλλάξουν τις επόμενες δεκαετίες, και οι αλλαγές θα είναι τόσο σημαντικές που είναι δύσκολο να το φανταστεί κανείς τώρα. Αφού διαβάσετε αυτό το άρθρο μέχρι το τέλος, μπορείτε να μάθετε περισσότερα για το τι συμβαίνει τώρα στον κόσμο της επιστήμης και της υψηλής τεχνολογίας.
Τι είναι η τεχνητή νοημοσύνη (AI);
1. Συνδέουμε την τεχνητή νοημοσύνη με ταινίες όπως «Star Wars», «Terminator» και ούτω καθεξής. Από αυτή την άποψη, το αντιμετωπίζουμε ως μυθοπλασία.
2. Το AI είναι μια αρκετά ευρεία έννοια. Ισχύει τόσο για αριθμομηχανές τσέπης όσο και για αυτοοδηγούμενα αυτοκίνητα. Μια τέτοια ποικιλομορφία προκαλεί σύγχυση.
3. Χρησιμοποιούμε τεχνητή νοημοσύνη στην καθημερινότητά μας, αλλά δεν το συνειδητοποιούμε. Αντιλαμβανόμαστε την τεχνητή νοημοσύνη ως κάτι μυθικό από τον κόσμο του μέλλοντος, επομένως είναι δύσκολο για εμάς να συνειδητοποιήσουμε ότι είναι ήδη γύρω μας.
Από αυτή την άποψη, είναι απαραίτητο να κατανοήσουμε αρκετά πράγματα μια για πάντα. Πρώτον, η τεχνητή νοημοσύνη δεν είναι ρομπότ. Ένα ρομπότ είναι ένα είδος κελύφους τεχνητής νοημοσύνης που μερικές φορές έχει το περίγραμμα ενός ανθρώπινου σώματος. Ωστόσο, η τεχνητή νοημοσύνη είναι ένας υπολογιστής μέσα σε ένα ρομπότ. Μπορεί να συγκριθεί με τον εγκέφαλο μέσα στο ανθρώπινο σώμα. Για παράδειγμα, η γυναικεία φωνή που ακούμε είναι απλώς μια προσωποποίηση.
Δεύτερον, πιθανότατα έχετε ήδη συναντήσει την έννοια της «ιδιαιτερότητας» ή της «τεχνολογικής μοναδικότητας». Αυτός ο όρος χρησιμοποιήθηκε για να περιγράψει μια κατάσταση στην οποία δεν ισχύουν οι συνήθεις νόμοι και κανόνες. Αυτή η έννοια χρησιμοποιείται στη φυσική για να περιγράψει τις μαύρες τρύπες ή τη στιγμή συμπίεσης του Σύμπαντος πριν από τη Μεγάλη Έκρηξη. Το 1993, ο Vernor Vinge δημοσίευσε το διάσημο δοκίμιό του στο οποίο χρησιμοποίησε τη μοναδικότητα για να εντοπίσει ένα σημείο στο μέλλον όπου η τεχνητή νοημοσύνη θα ξεπερνούσε τη δική μας. Κατά τη γνώμη του, όταν έρθει αυτή η στιγμή, ο κόσμος με όλους τους κανόνες και τους νόμους του θα πάψει να υπάρχει όπως πριν.
Τέλος, υπάρχουν διάφοροι τύποι τεχνητής νοημοσύνης, μεταξύ των οποίων διακρίνονται τρεις κύριες κατηγορίες:
1. Περιορισμένη Τεχνητή Νοημοσύνη (ANI, Artificial Narrow Intelligence). Είναι μια τεχνητή νοημοσύνη που ειδικεύεται σε έναν συγκεκριμένο τομέα. Για παράδειγμα, μπορεί να κερδίσει τον παγκόσμιο πρωταθλητή σκακιού σε μια παρτίδα σκακιού, αλλά αυτό είναι το μόνο που μπορεί να κάνει.
2. General Artificial Intelligence (AGI, Artificial General Intelligence). Αυτή η τεχνητή νοημοσύνη είναι ένας υπολογιστής του οποίου η νοημοσύνη μοιάζει με αυτή ενός ανθρώπου, δηλαδή μπορεί να εκτελέσει όλες τις ίδιες εργασίες με έναν άνθρωπο. Η καθηγήτρια Linda Gottfredson περιγράφει αυτό το φαινόμενο ως εξής: «Η γενική τεχνητή νοημοσύνη ενσαρκώνει τις γενικευμένες ικανότητες σκέψης, οι οποίες περιλαμβάνουν επίσης την ικανότητα λογικής, προγραμματισμού, επίλυσης προβλημάτων, αφηρημένης σκέψης, σύγκρισης σύνθετων ιδεών, μάθησης γρήγορα και χρήσης συσσωρευμένης εμπειρίας».
3. Artificial Superintelligence (ASI, Artificial Superintelligence). Ο Σουηδός φιλόσοφος και καθηγητής του Πανεπιστημίου της Οξφόρδης Nick Bostrom ορίζει την υπερευφυΐα ως «μια νοημοσύνη που είναι ανώτερη από αυτή των ανθρώπων σχεδόν σε όλους τους τομείς, συμπεριλαμβανομένων των επιστημονικών εφευρέσεων, των γενικών γνώσεων και των κοινωνικών δεξιοτήτων».
Επί του παρόντος, η ανθρωπότητα χρησιμοποιεί ήδη με επιτυχία περιορισμένη τεχνητή νοημοσύνη. Βρισκόμαστε στο δρόμο για να κατακτήσουμε το AGI. Στις επόμενες ενότητες του άρθρου θα συζητηθεί κάθε μία από αυτές τις κατηγορίες λεπτομερώς.
Ένας κόσμος που κυβερνάται από περιορισμένη τεχνητή νοημοσύνη
Η περιορισμένη τεχνητή νοημοσύνη είναι η νοημοσύνη μηχανής που είναι ίση ή ανώτερη από την ανθρώπινη νοημοσύνη στην επίλυση στενών προβλημάτων. Παρακάτω είναι μερικά παραδείγματα:
Τα περιορισμένα συστήματα τεχνητής νοημοσύνης δεν αποτελούν απειλή για τον άνθρωπο. Στη χειρότερη περίπτωση, μια αποτυχία σε ένα τέτοιο σύστημα θα μπορούσε να προκαλέσει μια τοπική καταστροφή, όπως ένα κύμα ρεύματος ή μια μικρή κατάρρευση της χρηματοπιστωτικής αγοράς.
Κάθε νέα εφεύρεση στον τομέα της περιορισμένης τεχνητής νοημοσύνης μας φέρνει ένα βήμα πιο κοντά στη δημιουργία γενικής τεχνητής νοημοσύνης.
Γιατί είναι τόσο δύσκολο αυτό;
Αν προσπαθούσατε να δημιουργήσετε έναν υπολογιστή με την ίδια ευφυΐα με έναν άνθρωπο, θα αρχίζατε να εκτιμάτε πραγματικά την ικανότητά σας να σκέφτεστε. Σχεδιάζοντας ουρανοξύστες, εκτόξευση πυραύλων στο διάστημα, μελέτη της θεωρίας της Μεγάλης Έκρηξης - όλα αυτά είναι πολύ πιο εύκολο να επιτευχθούν από τη μελέτη του ανθρώπινου εγκεφάλου. Αυτή τη στιγμή, το μυαλό μας είναι το πιο περίπλοκο αντικείμενο στο παρατηρήσιμο Σύμπαν.
Το πιο ενδιαφέρον είναι ότι οι δυσκολίες στη δημιουργία γενικής τεχνητής νοημοσύνης προκύπτουν στα πιο φαινομενικά απλά πράγματα. Για παράδειγμα, η δημιουργία μιας συσκευής που θα μπορούσε να πολλαπλασιάζει δεκαψήφιους αριθμούς σε κλάσματα δευτερολέπτου δεν είναι δύσκολη. Ταυτόχρονα, είναι απίστευτα δύσκολο να γράψεις ένα πρόγραμμα που θα μπορούσε να αναγνωρίσει ποιος βρίσκεται μπροστά από την οθόνη: μια γάτα ή έναν σκύλο. Δημιουργήστε έναν υπολογιστή που μπορεί να νικήσει έναν άνθρωπο στο σκάκι; Εύκολα! Κάντε ένα μηχάνημα να διαβάσει και να καταλάβει τι γράφεται σε ένα παιδικό βιβλίο; Η Google ξοδεύει δισεκατομμύρια δολάρια για να λύσει αυτό το πρόβλημα. Πράγματα όπως οι μαθηματικοί υπολογισμοί, η δημιουργία οικονομικών στρατηγικών, η μετάφραση από τη μια γλώσσα στην άλλη έχουν ήδη λυθεί με τη βοήθεια της τεχνητής νοημοσύνης. Ωστόσο, η όραση, η αντίληψη, οι χειρονομίες και η κίνηση στο διάστημα εξακολουθούν να παραμένουν άλυτα προβλήματα για τους υπολογιστές.
Αυτές οι δεξιότητες φαίνονται απλές στον άνθρωπο επειδή έχουν αναπτυχθεί κατά τη διάρκεια εκατομμυρίων ετών εξέλιξης. Όταν απλώνετε το χέρι σας για να σηκώσετε ένα αντικείμενο, οι μύες, οι σύνδεσμοι και τα οστά σας εκτελούν μια σειρά επεμβάσεων που συνάδουν με αυτό που βλέπουν τα μάτια σας.
Από την άλλη, ο πολλαπλασιασμός μεγάλων αριθμών και το παιχνίδι σκάκι είναι εντελώς νέες ενέργειες για τα βιολογικά όντα. Γι' αυτό είναι πολύ εύκολο για έναν υπολογιστή να μας κερδίσει σε αυτό. Σκεφτείτε ποιο πρόγραμμα θα προτιμούσατε να δημιουργήσετε: ένα που θα μπορούσε να πολλαπλασιάσει γρήγορα μεγάλους αριθμούς ή απλά να αναγνωρίσει το γράμμα Β από χιλιάδες άλλα γραμμένα με διαφορετικές γραμματοσειρές;
Ένα άλλο διασκεδαστικό παράδειγμα: κοιτάζοντας την παρακάτω εικόνα, τόσο εσείς όσο και ο υπολογιστής μπορείτε να αναγνωρίσετε αναμφισβήτητα ότι αντιπροσωπεύει ένα ορθογώνιο που αποτελείται από τετράγωνα δύο διαφορετικών αποχρώσεων:
Αλλά, μόλις αφαιρέσουμε το μαύρο φόντο, θα ανοίξει μπροστά μας η πλήρης, προηγουμένως κρυμμένη εικόνα:
Δεν θα είναι δύσκολο για ένα άτομο να ονομάσει και να περιγράψει όλες τις φιγούρες που βλέπει σε αυτήν την εικόνα. Ωστόσο, ο υπολογιστής δεν θα αντιμετωπίσει αυτήν την εργασία. Και αφού αναλύσει την παρακάτω εικόνα, θα συμπεράνει ότι μπροστά του είναι ένας συνδυασμός πολλών δισδιάστατων αντικειμένων λευκού, μαύρου και γκρι χρωμάτων. Σε αυτή την περίπτωση, ένα άτομο μπορεί εύκολα να πει ότι η εικόνα δείχνει μια μαύρη πέτρα:
Όλα όσα αναφέρθηκαν παραπάνω αφορούσαν μόνο την αντίληψη και την επεξεργασία στατικών πληροφοριών. Για να ταιριάζει με το επίπεδο νοημοσύνης ενός ανθρώπου, ένας υπολογιστής πρέπει να μάθει να αναγνωρίζει τις εκφράσεις του προσώπου, τις χειρονομίες και ούτω καθεξής. Πώς όμως να τα πετύχεις όλα αυτά;
Το πρώτο βήμα για τη δημιουργία γενικής τεχνητής νοημοσύνης είναι η αύξηση της ισχύος του υπολογιστή
Προφανώς, αν πρόκειται να δημιουργήσουμε «έξυπνους» υπολογιστές, πρέπει να έχουν τις ίδιες ικανότητες σκέψης με τους ανθρώπους. Ένας τρόπος για να επιτευχθεί αυτό είναι να αυξήσετε τον αριθμό των λειτουργιών ανά δευτερόλεπτο. Για να γίνει αυτό, είναι απαραίτητο να υπολογίσετε πόσες λειτουργίες ανά δευτερόλεπτο εκτελεί κάθε δομή του ανθρώπινου εγκεφάλου.
Ο Ray Kurzweil έκανε κάποιους υπολογισμούς και κατάφερε να καταλήξει σε έναν αριθμό 10.000.000.000.000.000 πράξεων ανά δευτερόλεπτο. Ο ανθρώπινος εγκέφαλος έχει περίπου την ίδια παραγωγικότητα.
Επί του παρόντος, ο πιο ισχυρός υπερυπολογιστής είναι ο κινεζικός Tianhe-2, του οποίου η απόδοση είναι 34 τετράδισεκατομμύρια λειτουργίες ανά δευτερόλεπτο. Ωστόσο, το μέγεθος αυτού του υπερυπολογιστή είναι εντυπωσιακό - καλύπτει έκταση 720 τετραγωνικών μέτρων και κοστίζει 390.000.000 δολάρια.
Έτσι, αν κοιτάξετε από την τεχνική πλευρά, έχουμε ήδη έναν υπολογιστή συγκρίσιμο σε απόδοση με τον ανθρώπινο εγκέφαλο. Δεν είναι διαθέσιμο στον μαζικό καταναλωτή, αλλά μέσα σε δέκα χρόνια θα γίνει. Ωστόσο, η απόδοση δεν είναι το μόνο πράγμα που μπορεί να δώσει σε έναν υπολογιστή νοημοσύνη όπως ένας άνθρωπος. Το επόμενο ερώτημα είναι: πώς να κάνετε έναν ισχυρό υπολογιστή έξυπνο;
Το δεύτερο βήμα για τη δημιουργία γενικής τεχνητής νοημοσύνης είναι να προικίσετε τη μηχανή με ευφυΐα
Αυτό είναι το πιο δύσκολο μέρος της διαδικασίας, γιατί κανείς δεν ξέρει πώς να κάνει έναν υπολογιστή έξυπνο. Υπάρχει ακόμη συζήτηση σχετικά με το πώς να μπορέσει ένα μηχάνημα να ξεχωρίζει τις γάτες από τους σκύλους ή να αναγνωρίζει το γράμμα Β. Ωστόσο, υπάρχουν διάφορες στρατηγικές, μερικές από τις οποίες περιγράφονται εν συντομία παρακάτω:
1. Αντιγραφή ανθρώπινου εγκεφάλου
Επί του παρόντος, οι επιστήμονες εργάζονται στη λεγόμενη αντίστροφη μηχανική του ανθρώπινου εγκεφάλου. Σύμφωνα με αισιόδοξες προβλέψεις, το έργο αυτό θα έχει ολοκληρωθεί έως το 2030. Μόλις δημιουργηθεί το έργο, θα μπορέσουμε να μάθουμε όλα τα μυστικά του εγκεφάλου μας και να αντλήσουμε νέες ιδέες από αυτό. Ένα παράδειγμα τέτοιου συστήματος είναι ένα τεχνητό νευρωνικό δίκτυο.
Μια άλλη πιο ακραία ιδέα είναι η πλήρης μίμηση των λειτουργιών του ανθρώπινου εγκεφάλου. Κατά τη διάρκεια αυτού του πειράματος, σχεδιάζεται να κοπεί ο εγκέφαλος σε πολλά λεπτά στρώματα και να σαρωθεί το καθένα από αυτά. Στη συνέχεια, χρησιμοποιώντας ένα ειδικό πρόγραμμα, θα χρειαστεί να δημιουργήσετε ένα τρισδιάστατο μοντέλο και στη συνέχεια να το εφαρμόσετε σε έναν ισχυρό υπολογιστή. Μετά από αυτό, θα λάβουμε μια συσκευή που θα έχει επίσημα όλες τις λειτουργίες του ανθρώπινου εγκεφάλου - το μόνο που μένει είναι να συλλέγει πληροφορίες και να μαθαίνει.
Πόσο καιρό πρέπει να περιμένουμε μέχρι να μπορέσουν οι επιστήμονες να δημιουργήσουν ένα ακριβές αντίγραφο του ανθρώπινου εγκεφάλου; Πολύς καιρός, γιατί μέχρι σήμερα οι ειδικοί δεν έχουν καταφέρει να αντιγράψουν ούτε ένα στρώμα 1 χιλιοστού του εγκεφάλου, που αποτελείται από 302 νευρώνες (ο εγκέφαλός μας αποτελείται από 100.000.000.000 νευρώνες).
2. Ανακεφαλαίωση της εξέλιξης του ανθρώπινου εγκεφάλου
Η δημιουργία ενός έξυπνου υπολογιστή είναι θεωρητικά δυνατή και η εξέλιξη του δικού μας εγκεφάλου είναι απόδειξη αυτού. Εάν δεν μπορούμε να δημιουργήσουμε ένα ακριβές αντίγραφο του εγκεφάλου, μπορούμε να προσπαθήσουμε να μιμηθούμε την εξέλιξή του. Στην πραγματικότητα, για παράδειγμα, είναι αδύνατο να κατασκευαστεί ένα αεροπλάνο αντιγράφοντας απλώς τα φτερά ενός πουλιού. Για να δημιουργήσετε ένα αεροσκάφος υψηλής ποιότητας, είναι καλύτερο να χρησιμοποιήσετε κάποια άλλη προσέγγιση.
Πώς μπορούμε να προσομοιώσουμε την εξελικτική διαδικασία για τη δημιουργία γενικής τεχνητής νοημοσύνης; Αυτή η μέθοδος ονομάζεται γενετικός αλγόριθμος. Η ουσία αυτής της προσέγγισης είναι ότι τα προβλήματα βελτιστοποίησης και μοντελοποίησης επιλύονται χρησιμοποιώντας μηχανισμούς παρόμοιους με τη φυσική επιλογή στη φύση. Αρκετοί υπολογιστές θα εκτελούν διαφορετικές εργασίες και αυτοί που είναι πιο αποτελεσματικοί θα «διασταυρωθούν» μεταξύ τους. Μηχανήματα που αποτυγχάνουν να ολοκληρώσουν την εργασία θα αποκλείονται. Έτσι, μετά από πολλές επαναλήψεις αυτού του πειράματος, ο αλγόριθμος φυσικής επιλογής θα δημιουργήσει έναν ολοένα και καλύτερο υπολογιστή. Η δυσκολία εδώ έγκειται στην αυτοματοποίηση της διαδικασίας εξέλιξης και «διασταύρωσης», επειδή η εξελικτική διαδικασία πρέπει να συνεχιστεί από μόνη της.
Το μειονέκτημα της περιγραφόμενης μεθόδου είναι ότι στη φύση της εξέλιξης χρειάζονται εκατομμύρια χρόνια, αλλά χρειαζόμαστε αποτελέσματα μέσα σε μερικές δεκαετίες.
3. Μεταφέρετε όλες τις εργασίες στον υπολογιστή
Όταν οι επιστήμονες απελπίζονται, προσπαθούν να δημιουργήσουν ένα πρόγραμμα που δοκιμάζει τον εαυτό του. Αυτή μπορεί να είναι η πιο πολλά υποσχόμενη μέθοδος για τη δημιουργία γενικής τεχνητής νοημοσύνης.
Η ιδέα είναι να δημιουργηθεί ένας υπολογιστής του οποίου οι κύριες λειτουργίες θα είναι η έρευνα AI και οι αλλαγές κωδικοποίησης. Ένας τέτοιος υπολογιστής όχι μόνο θα μάθει ανεξάρτητα, αλλά θα αλλάξει και τη δική του αρχιτεκτονική. Οι επιστήμονες σχεδιάζουν να διδάξουν έναν υπολογιστή να είναι ερευνητής του οποίου το κύριο καθήκον θα είναι να αναπτύξει τη δική του νοημοσύνη.
Όλα αυτά θα μπορούσαν να συμβούν πολύ σύντομα
Η συνεχής βελτίωση των υπολογιστών και τα καινοτόμα πειράματα με νέο λογισμικό συμβαίνουν παράλληλα. Η τεχνητή γενική νοημοσύνη μπορεί να εμφανιστεί γρήγορα και απροσδόκητα για δύο βασικούς λόγους:
1. Ο εκθετικός ρυθμός ανάπτυξης φαίνεται πολύ αργός, αλλά μπορεί να επιταχυνθεί ανά πάσα στιγμή.
2. Όταν πρόκειται για λογισμικό, η πρόοδος φαίνεται να συμβαίνει πολύ αργά, αλλά μια και μόνο ανακάλυψη μπορεί να μας οδηγήσει σε ένα νέο επίπεδο ανάπτυξης εν ριπή οφθαλμού. Για παράδειγμα, όλοι γνωρίζουμε ότι παλαιότερα οι άνθρωποι πίστευαν ότι η Γη ήταν στο κέντρο του Σύμπαντος. Από αυτή την άποψη, προέκυψαν πολλές δυσκολίες στη μελέτη του χώρου. Ωστόσο, τότε το παγκόσμιο σύστημα άλλαξε απροσδόκητα σε ηλιοκεντρικό. Μόλις οι ιδέες άλλαξαν δραματικά, έγινε δυνατή η νέα έρευνα.
Στο μονοπάτι από την περιορισμένη τεχνητή νοημοσύνη στην Τεχνητή Υπερευφυΐα
Κάποια στιγμή στην ανάπτυξη περιορισμένης τεχνητής νοημοσύνης, οι υπολογιστές θα αρχίσουν να μας ξεπερνούν. Το γεγονός είναι ότι η τεχνητή νοημοσύνη, πανομοιότυπη με τον ανθρώπινο εγκέφαλο, θα έχει πολλά πλεονεκτήματα έναντι των ανθρώπων, μεταξύ των οποίων διακρίνονται τα ακόλουθα:
Ταχύτητα. Οι νευρώνες του εγκεφάλου μας λειτουργούν σε μέγιστη συχνότητα 200 Hz, ενώ οι σύγχρονοι μικροεπεξεργαστές λειτουργούν στα 2 GHz, ή 10 εκατομμύρια φορές πιο γρήγορα.
Διαστάσεις. Ο ανθρώπινος εγκέφαλος περιορίζεται από το μέγεθος του κρανίου και ως εκ τούτου δεν μπορεί να μεγαλώσει. Ο υπολογιστής μπορεί να έχει οποιοδήποτε μέγεθος, παρέχοντας περισσότερο χώρο για την αποθήκευση αρχείων.
Αξιοπιστία και ανθεκτικότητα. Τα τρανζίστορ υπολογιστών λειτουργούν με μεγαλύτερη ακρίβεια από τους εγκεφαλικούς νευρώνες. Επιπλέον, μπορούν εύκολα να επισκευαστούν ή να αντικατασταθούν. Ο ανθρώπινος εγκέφαλος τείνει να κουράζεται, ενώ ο υπολογιστής μπορεί να λειτουργεί με πλήρη χωρητικότητα όλο το εικοσιτετράωρο.
Η τεχνητή νοημοσύνη, προγραμματισμένη για συνεχή αυτοβελτίωση, δεν θα περιοριστεί σε κανένα όριο. Αυτό σημαίνει ότι μόλις μια μηχανή φτάσει στο επίπεδο της ανθρώπινης νοημοσύνης, δεν θα σταματήσει εκεί.
Φυσικά, όταν ένας υπολογιστής γίνει πιο «έξυπνος» από εμάς, θα είναι ένα σοκ για όλη την ανθρωπότητα. Στην πραγματικότητα, οι περισσότεροι από εμάς έχουμε μια παραμορφωμένη άποψη για τη νοημοσύνη που μοιάζει με αυτό:
Η διαστρεβλωμένη μας άποψη για τη νοημοσύνη.
Ο οριζόντιος άξονας είναι ο χρόνος, ο κατακόρυφος είναι η νοημοσύνη.
Τα επίπεδα νοημοσύνης πηγαίνουν από κάτω προς τα πάνω: μυρμήγκι, πουλί, χιμπατζής, ηλίθιος άνθρωπος, Αϊνστάιν. Ανάμεσα στον ηλίθιο και τον Αϊνστάιν υπάρχει ένας άντρας που λέει: «Χα χα! Αυτά τα αστεία ρομπότ λειτουργούν σαν μαϊμούδες!».
Η ανάπτυξη της τεχνητής νοημοσύνης υποδεικνύεται με κόκκινο χρώμα.
Έτσι, η καμπύλη ανάπτυξης της τεχνητής νοημοσύνης στο γράφημα τείνει να φτάσει στο ανθρώπινο επίπεδο. Παρακολουθούμε καθώς το μηχάνημα σταδιακά γίνεται πιο έξυπνο από το ζώο. Ωστόσο, από τη στιγμή που η τεχνητή νοημοσύνη φτάσει στο επίπεδο του «στενόμυαλου ανθρώπου» ή, όπως το λέει ο Νικ Μπόστρομ, του «ηλίθιου του χωριού», θα σημαίνει ότι έχει δημιουργηθεί τεχνητή γενική νοημοσύνη. Σε αυτή την περίπτωση, δεν θα είναι δύσκολο για έναν υπολογιστή να φτάσει στο επίπεδο του Αϊνστάιν. Αυτή η ταχεία εξέλιξη φαίνεται στο παρακάτω σχήμα:
Τι γίνεται όμως μετά;
Διανοητική έκρηξη
Εδώ θα ήταν χρήσιμο να υπενθυμίσουμε ότι όλα όσα γράφονται σε αυτό το άρθρο είναι μια περιγραφή πραγματικών επιστημονικών προβλέψεων που συντάσσονται από έγκριτους επιστήμονες.
Σε κάθε περίπτωση, τα περισσότερα μοντέλα περιορισμένης τεχνητής νοημοσύνης περιλαμβάνουν τη λειτουργία της αυτοβελτίωσης. Αλλά ακόμα κι αν δημιουργήσετε μια τεχνητή νοημοσύνη που αρχικά δεν παρέχει μια τέτοια λειτουργία, τότε, έχοντας φτάσει στο επίπεδο της ανθρώπινης νοημοσύνης, ο υπολογιστής θα αποκτήσει τη δυνατότητα να μαθαίνει ανεξάρτητα κατά βούληση. Ως αποτέλεσμα αυτού, η νοημοσύνη των μηχανών θα αναπτυχθεί σταδιακά και θα γίνει μια υπερευφυΐα που θα είναι πολλές φορές ανώτερη από το ανθρώπινο μυαλό.
Αυτή τη στιγμή υπάρχει συζήτηση για το πότε η τεχνητή νοημοσύνη θα φτάσει στο επίπεδο της ανθρώπινης νοημοσύνης. Εκατοντάδες επιστήμονες συμφωνούν ότι αυτό θα συμβεί γύρω στο 2040. Όχι πολύ καιρό, σωστά;
Έτσι, θα χρειαστούν δεκαετίες για να φτάσει η τεχνητή νοημοσύνη στο επίπεδο της ανθρώπινης νοημοσύνης, αλλά τελικά θα συμβεί. Οι υπολογιστές θα μάθουν να κατανοούν τον κόσμο γύρω τους με τον ίδιο τρόπο που καταλαβαίνει ένα παιδί 4 ετών. Ξαφνικά, έχοντας απορροφήσει αυτές τις πληροφορίες, το σύστημα θα κατακτήσει τη θεωρητική φυσική, την κβαντομηχανική και τη θεωρία της σχετικότητας. Σε μιάμιση ώρα, η τεχνητή νοημοσύνη θα μετατραπεί σε τεχνητή υπερνοημοσύνη, 170 χιλιάδες φορές μεγαλύτερη από τις δυνατότητες του ανθρώπινου εγκεφάλου.
Η υπερευφυΐα είναι ένα φαινόμενο που δεν μπορούμε καν να κατανοήσουμε εν μέρει. Στο μυαλό μας, ένας έξυπνος άνθρωπος έχει δείκτη νοημοσύνης 130, και ένας ηλίθιος έχει δείκτη νοημοσύνης μικρότερο από 85. Αλλά ποια λέξη μπορεί να επιλεγεί για ένα πλάσμα με IQ 12952;
Η νοημοσύνη είναι συνώνυμη με τη δύναμη, γι' αυτό αυτή τη στιγμή ο άνθρωπος βρίσκεται στο απόγειο της εξέλιξης, υποτάσσοντας όλα τα άλλα έμβια όντα. Αυτό σημαίνει ότι με την έλευση της τεχνητής υπερνοημοσύνης, θα πάψουμε να είμαστε το «στεφάνι της φύσης». Θα υποταχθούμε στο υπερμυαλό.
Αν ο περιορισμένος εγκέφαλός μας μπορούσε να δημιουργήσει Wi-Fi, φανταστείτε τι μυαλό θα μπορούσαμε να δημιουργήσουμε εκατοντάδες, χιλιάδες, ακόμη και εκατομμύρια φορές μεγαλύτερο από εμάς. Αυτή η νοημοσύνη θα μπορεί να ελέγχει τη θέση κάθε ατόμου στον πλανήτη. Όλα όσα θεωρούμε τώρα μαγεία ή τη δύναμη του Θεού θα γίνουν το καθημερινό καθήκον της υπερευφυΐας. Το Supermind θα είναι σε θέση να νικήσει τα γηρατειά, να θεραπεύσει ασθένειες, να καταστρέψει την πείνα και ακόμη και τον θάνατο. Θα μπορεί ακόμη και να επαναπρογραμματίσει τον καιρό για να προστατεύσει τη ζωή στη Γη. Αλλά η υπερευφυΐα μπορεί να καταστρέψει τη ζωή στον πλανήτη εν ριπή οφθαλμού. Στην τρέχουσα κατανόησή μας για την πραγματικότητα, ο Θεός θα εγκατασταθεί δίπλα μας στο ρόλο της υπερευφυΐας. Το μόνο ερώτημα που πρέπει να κάνουμε στον εαυτό μας είναι: θα είναι αυτός ένας καλός Θεός;
