Сочинять стихи и музыку, рисовать картины, программировать, даже написать за вас дипломную работу — на все это сегодня способен искусственный интеллект (ИИ). Казалось бы, что может звучать более современно, чем это словосочетание?
- Источник:
- Midjourney
Впрочем, мало кто знает, что первые работы в этой области были представлены еще в 1943 году. Наука проделала долгий путь, прежде чем искусственный интеллект смог поразить своими «суперспособностями» широкую публику. С какими вызовами пришлось столкнуться ученым на пути к его созданию, Vokrugsveta.ru объяснил специалист по искусственному интеллекту, грантополучатель Российского научного фонда Сергей Ярушев.
Кто придумал термин «искусственный интеллект»
В 1943 году Уоррен Маккалок и Уолтер Питтс опубликовали свою работу «A Logical Calculus of the Ideas Immanent in Nervous Activity» («Логическое исчисление идей, относящихся к нервной активности»), в которой предложили понятие искусственной нейронной сети, а Норберт Винер предложил им использовать вакуумные лампы для моделирования эквивалентов нейронной сети.
Официально термин «искусственный интеллект» появился в 1956 году на летнем семинаре в Дартмундском колледже, который организовали четверо ученых: Джон Мак-Карти, Марвин Мински, Натаниэль Рочестер и Клод Шеннон.
Искусственный интеллект в России
- Источник:
- WIkimedia Commons
Интересно, что человечество еще задолго до Маккалока и Питтса задумалось о создании «умных машин». Например, русский дворянин, изобретатель Семен Николаевич Корсаков еще в XIX веке ставил целью своих исследований усиление возможностей разума при помощи специальных устройств и предложил серию «интеллектуальных машин».
В 1832 году он изобрел ряд действующих механических устройств, способных осуществлять поиск и классификацию информации. До создания Google было еще очень далеко.
История разработки искусственного интеллекта: 5 главных задач
Задача 1. Наладить обучение
Одна из главный особенностей искусственных нейронных сетей — способность к обучению. После того, как Уоррен Маккалок и Уолтер Питтс описали первую искусственную нейронную сеть, встал вопрос о том, каким образом ее можно обучать. И уже в 1949 году Дональд Хебб предлагает первый алгоритм обучения, а в 1956 году Фрэнк Розенблатт создает первую компьютерную модель восприятия информации мозгом — персептрон и первый в мире нейрокомпьютер — Марк I.
- Источник:
- Национальный музей ВМС США via Wikimedia Commons
В основу алгоритмов обучения Розенблатт взял идеи Дональда Хебба. Чтобы обучить свой персептрон, Розенблатт изобрел «метод коррекции ошибки» — метод проб и ошибок, чем-то напоминавший процесс обучения человека.
Задача 2. Не зайти в тупик
- Источник:
- Wikimedia Commons
В начале эпохи развития систем искусственного интеллекта ученые порой делали весьма опрометчивые заявления по поводу способностей новых алгоритмов. Так, в 1958 году Герберт Саймон, один из разработчиков гипотезы о физической символьной системе (гипотеза Ньюэлла — Саймона), позже ставший лауреатом Нобелевской премии по экономике, заявил, что если компьютеры допустить на соревнования по шахматам, то в ближайшие десять лет они могут стать чемпионами мира в этом виде спорта.
Но в 1965 году десятилетний мальчик обыграл компьютер в шахматы. После этого последовал период провалов проектов по машинному переводу, что впоследствии ознаменовалось зимой искусственного интеллекта (так, по аналогии с ядерной зимой, назвали период, связанный с общим снижением интереса к проблематике. — Прим. Vokrugsveta.ru).
Она продлилась до 1980 года и вновь возникала из-за краха рынка лисп-машин — компьютеров, оптимизированных для работы с первым языком программирования для работ по искусственному интеллекту — Lisp. Продолжался этот период с 1987 по 1993 годы. Мир перестал верить в искусственный интеллект.
Задача 3. Нарастить мощности
Период зимы искусственного интеллекта во многом начался из-за завышенных ожиданий исследователей — возможно, они немного опережали свое время. Изобретенный Розенблаттом компьютер Марк I был способен распознавать некоторые буквы английского алфавита, а сегодня смартфоны за доли секунд распознают лицо для своей разблокировки. Прошло больше полувека, и теперь искусственный интеллект может даже больше, чем предполагалось сначала.
- Источник:
- Legion Media
Не меньшее влияние на тот сложный период в области искусственного интеллекта оказало отсутствие достаточной производительности. Сейчас мы знаем, что бурное развитие систем ИИ во многом обязано развитию технологий и вычислительных мощностей, ведь для обучения серьезной нейронной сети, например для распознавания изображений, необходим очень мощный компьютер. Одна из самых известных глубоких нейронных сетей AlexNet обучалась на двух видеокартах неделю. А на обучение всем известного GPT-3 ушло 1287 МВтч электроэнергии.
Задача 4. Собрать данные
В 2007 году Джеффри Хинтоном были созданы алгоритмы глубокого обучения нейронных сетей, на основе которых работают известные нам системы распознавания изображений. Но, чтобы обучить такую нейронную сеть, необходим внушительный набор обучающих данных. До 2010 года задача поиска изображений для обучения глубокой нейронной сети была достаточно сложной, пока не была создана база данных с изображениями для обучения нейронных сетей — ImageNet, содержащая более 14000 категорий изображений.
- Источник:
- Andrej Karpathy via cs.stanford.edu
Задача поиска обучающей выборки зачастую является не менее трудоемкой, чем создание самой нейронной сети. К примеру, чтобы собрать обучающую выборку для распознавания рентгеновского снимка, необходимо создать несколько тысяч снимков, которые необходимо обработать и подготовить для обучения ими нейронной сети.
Задача 5. Решить проблему «черного ящика»
Основанные на нейронных сетях системы искусственного интеллекта, с которыми уже сталкивается практически каждый из нас, способны за секунды решать сложные задачи, на которые у человека уйдет много времени. Но все такие системы имеют один общий недостаток — искусственная нейронная сеть не может объяснить, каким образом она приняла то или иное решение, что повлияло на результаты её работы. Отсутствие интерпретации или объяснения результатов накладывает ограничения на работу систем искусственного интеллекта в критически важных направлениях и подрывает доверие пользователей к результатам работы нейронной сети.
С 2018 года во всем мире активно начались исследования и разработки систем искусственного интеллекта третьего поколения — объяснительного искусственного интеллекта (Explainable Artificial Intelligence). Целью исследований является повышение прозрачности алгоритмов искусственного интеллекта, повышение доверия пользователей и расширение областей применения систем искусственного интеллекта. На сегодняшний день уже разработано множество алгоритмов, позволяющих в некоторой степени объяснить результаты работы нейронных сетей, но, стоит заметить, исследования продолжаются и еще есть над чем работать.
- Источник:
- Alexander Limbach via Legion Media
Рассматривая историю развития искусственного интеллекта в мире, можно заметить один интересный факт. Ученые-основатели этого научного направления были своего рода энтузиастами и «мечтателями», смело предполагая, что в один прекрасный день искусственный интеллект сможет обыграть даже чемпиона мира по шахматам. Тогда их предсказания всем показались фантастикой, что даже повлекло период застоя в этой области.
Но теперь мы видим, что ученые были правы. 11 мая 1997 года суперкомпьютер Deep Blue выиграл у чемпиона мира 6 шахматных партий. А сейчас искусственный интеллект уже превзошел человека в скорости распознавания образов, способен управлять автомобилем, писать диссертации — и даже смог убедить инженера-программиста компании Google Блейка Лемуана в том, что обладает чувствами: он сообщил Блейку, что боится, как бы его не отключили.
