Интерес к когнитивным технологиям и искусственному интеллекту вырос, а венчурные инвестиции по этому направлению для развивающихся и коммерциализируемых продуктов превысили многомиллиардные суммы.

Многие компании инвестируют миллиарды на стартапы на когнитивные технологии и разумное поведение машин.

Пресса, подпитываемая огромными инвестициями утверждает, что интеллект компьютера начинает убивать рабочие места и скоро компьютеры будут умнее, чем люди, а некоторые ученые сравнивают интеллектуальные способности машин с угрозой для выживания человечества.

Искусственный интеллект и разум в технологиях

Развитие интеллектуальных способностей машин

Первые шаги в целях демистификации этого термина, изложение истории и описание некоторых из основных интеллектуальных систем и суть искусственного интеллекта лежащая в его основе.

Определение искусственного интеллекта

Поле разумного поведения страдает от слишком размытого определения определений.

Искусственный интеллект — теория и разработка компьютерных систем, которые могут выполнять задачи, требующие человеческого интеллекта.

Суть искусственного интеллекта включает в себя такие задачи, как зрительное восприятие, распознавание речи, принятие решений в условиях неопределенности, обучение и перевод между языками. Определение позволяет нам сегодня обсуждать практическое применение достигающее окончательного понимания механизмов неврологической разведки. Набор задач, которые обычно требуют человеческого интеллекта может изменяться и делегироваться компьютерным системам, способным выполнять эти задачи. Таким образом, смысл «искусственный интеллект » развивается с течением времени.

Полезное определение искусственного интеллекта - теория и развитие компьютерных систем, способных выполнять задачи, которые обычно требуют человеческого интеллекта.

История искусственного интеллекта

Искусственный интеллект или разум не новая идея. Действительно сам термин датируется с 1950-х. История области характеризуется периодами шумихи и высокими ожидания чередующимися с периодами неудач и разочарований:

1. После формулирования смелой цели имитации человеческого интеллекта в 1950-х, исследователи разработали широкий спектр демонстрационных программ в 60-х и в 70-х, которые способны выполнять ряд задач, которые считались, что были исключительно сферой человеческой деятельности. Это доказательства теорем, исчисление проблем, реагирование на команды, планирование и выполнение физических действий - даже олицетворение психотерапевта и сочинение музыки. Но упрощенные алгоритмы, плохие методы обработки неопределенности и ограничения вычислительной мощности ставили в тупик попытки решить сложные или более разнообразные проблемы. На фоне разочарования в связи с отсутствием дальнейшего прогресса искусственный интеллект выпал из моды в середине 70-х годов прошлого века.
2. В начале 80-х годов Япония запустила программу развития передовой компьютерной архитектуры, которая могла бы способствовать разуму. В 1980 мир увидел заинтересованность коммерческих поставщиков технологии этих продуктов. Большие надежды на потенциал экспертных систем в конечном итоге не оправдались, наложились ограничения, включая вопиющее отсутствие здравого смысла, сложность захвата знаний, стоимость и сложность создания и поддержания крупных интеллектуальных систем.
3. В 90-е годы технические работы над разумным поведением машинного оборудования продолжились. Методы, такие как нейронные сети и генетические алгоритмы получили свежее понимание отчасти потому, что они избежали некоторых ограничений, экспертных систем и потому, что новые алгоритмы сделались более эффективными. При проектировании нейронных сетей изучались структуры мозга. Генетические алгоритмы с целью «развиваться» ввели новые варианты решения путем введения случайных мутаций.

Катализаторы развития искусственного интеллекта

В конце 2000-х годов ряд факторов помогли возобновить прогресс в технологии разумного поведения. Это были факторы, наиболее значимые для прогресса искусственного разума:

Закон Мура

Закон Мура — автор соучредитель Интел Гордон Мур гласит, что количество транзисторов на кристалле микросхемы удваивается каждые 2 года, идет неустанное увеличение вычислительной мощности. Нынешнее поколение микропроцессоров обеспечивает в 4 миллиона раз производительность больше, чем первый чип микропроцессора, созданного в 1971 году.

Большой объем данных

Отчасти благодаря Интернету, социальным медиа, мобильным устройствам, и недорогим датчикам, быстро растет объем данных в мире. Растущее понимание потенциальной ценности этих данных привело к разработке новых методов для управления и анализа очень больших наборов данных. Большие данные стали основой для развития искусственного разума.

Особенность использования данных заключается в том, что некоторые методы искусственного интеллекта используют статистические модели для рассуждения вероятностностых данных, таких как изображения, текст или речь. Эти модели можно улучшить, или «обучить», подвергая большему набору данных, которые теперь стали более доступными, чем когда-либо.

Интернет и облако

Интернет и облачные вычисления являются достижением искусственного интеллекта по двум причинам.

• Во-первых, они делают доступным огромное количество данных и информации для любого вычислительного устройства, подключенного к Интернету. Это помогло продвинуть работу разумного интеллекта, которые требуют больших наборов данных.
• Во-вторых, они предоставляют способ для людей сотрудничать - иногда явно или неявно помогая обучить системы искусственного интеллекта. Например, некоторые исследователи использовали краудсорсинг (привлечение онлайнового сообщества) благодаря облачной технологии, чтобы привлечь тысячи людей для описания цифровых изображений, позволяя алгоритмам классификацировать изображения по их описаниям. Google голосовой ввод анализирует обратную связь и свободно вносит информацию от своих пользователей, чтобы улучшить качество автоматизированного перевода и голосового ввода.

Новые алгоритмы для развития искусственного интеллекта

Алгоритм представляет рутинный процесс для решения программ или задач. В последние годы были разработаны новые алгоритмы, которые значительно повышают производительность машинного обучения, важную технологию в своем собственном праве и другие технологии, такие как компьютерное зрение. Тот факт, что алгоритмы машинного обучения теперь доступны на основе открытых источников может способствовать дальнейшему улучшению для разработчиков с целью внесения усовершенствований в работу искусственного интеллекта.

Очевидно, будет мир с искусственным интеллектом и разумом, где приборы, машины гораздо интуитивнее, что упростит и обогатит повседневную жизнь. Например, смартфоны сейчас уже более осведомлены о наших предпочтениях и обстановке, предвидят наши потребности и предоставляют нам соответствующую информацию в нужное время.

В этом году компания «Яндекс» запустила голосового помощника «Алиса». Новый сервис позволяет пользователю прослушивать новости и погоду, получать ответы на вопросы и просто общаться с ботом. «Алиса» иногда дерзит , порой кажется почти разумной и по-человечески саркастичной , но часто не может разобраться, о чём её спрашивают, и садится в лужу.

Всё это породило не только волну шуток, но и новый виток дискуссий о развитии искусственного интеллекта. Новости о том, чего добились умные алгоритмы, сегодня приходят чуть ли не каждый день, а машинное обучение называют одним из самых перспективных направлений, которому можно себя посвятить.

Чтобы прояснить главные вопросы об искусственном интеллекте, мы побеседовали с Сергеем Марковым, специалистом по искусственному интеллекту и методам машинного обучения, автором одной из самых сильных отечественных шахматных программ SmarThink и создателем проекта «XXII век» .

Сергей Марков,

специалист по искусственному интеллекту

Развенчивая мифы об ИИ

так что же такое «искусственный интеллект»?

Понятию «искусственный интеллект» в какой-то мере не повезло. Возникшее изначально в научной среде, оно со временем проникло в фантастическую литературу, а через неё - в поп-культуру, где претерпело целый ряд изменений, обросло множеством интерпретаций и в конце-концов было совершенно мистифицировано.

Именно поэтому мы часто слышим от неспециалистов примерно такие заявления: «ИИ не существует», «ИИ невозможно создать». Непонимание сути исследований, ведущихся в сфере ИИ, легко приводит людей и к другим крайностям - например, современным системам ИИ приписывают наличие сознания, свободной воли и секретных мотивов.

Давайте попробуем отделить мух от котлет.

В науке искусственным интеллектом называют системы, предназначенные для решения интеллектуальных задач.

В свою очередь, интеллектуальная задача - это задача, которую люди решают при помощи собственного интеллекта. Заметим, что в данном случае специалисты сознательно уходят от определения понятия «интеллект», поскольку до появления систем ИИ единственным примером интеллекта был интеллект человеческий, и определить понятие интеллекта на основе единственного примера - то же самое, что пытаться провести прямую через единственную точку. Таких прямых может оказаться сколько угодно много, а значит, спор о понятии интеллекта можно было бы вести столетиями.

«сильный» и «слабый» искусственный интеллект

Системы ИИ делятся на две большие группы.

Прикладной искусственный интеллект (также используют термин «слабый ИИ» или «узкий ИИ», в английской традиции - weak/applied/narrow AI) - это ИИ, предназначенный для решения какой-либо одной интеллектуальной задачи или их небольшого множества. К этому классу относятся системы для игры в шахматы, го, распознавания образов, речи, принятия решения о выдаче или невыдаче банковского кредита и так далее.

В противоположность прикладному ИИ вводят понятие универсального искусственного интеллекта (также «сильный ИИ», по-английски - strong AI/Artificial General Intelligence) - то есть, гипотетического (пока что) ИИ, способного решать любые интеллектуальные задачи.

Часто люди, не зная терминологии, отождествляют ИИ с сильным ИИ, из-за этого и возникают суждения в духе «ИИ не существует».

Сильного ИИ действительно пока не существует. Практически все успехи, которые мы наблюдаем в последнее десятилетие в области ИИ, - это успехи прикладных систем. Эти успехи нельзя недооценивать, так как прикладные системы в ряде случаев способны решать интеллектуальные задачи лучше, чем это делает универсальный человеческий интеллект.

Я думаю, вы заметили, что понятие ИИ - довольно широкое. Скажем, устный счёт - это тоже интеллектуальная задача, и это значит, что любая счётная машина будет считаться системой ИИ. А как насчёт счётов? Абака ? Антикитерского механизма ? Действительно, всё это формально хотя и примитивные, но системы ИИ. Однако обычно, называя какую-то систему системой ИИ, мы тем самым подчёркиваем сложность решаемой этой системой задачи.

Совершенно очевидно, что разделение интеллектуальных задач на простые и сложные - весьма искусственное, и наши представления о сложности тех или иных задач постепенно меняются. Механическая счётная машина была чудом техники в XVII веке, но сегодня людей, с детства сталкивающихся с куда более сложными механизмами, она уже не способна впечатлить. Когда игра машин в го или автомобильные автопилоты уже перестанут удивлять публику, наверняка найдутся люди, которые будут морщиться из-за того, что кто-то будет относить такие системы к ИИ.

«Роботы-отличники»: о способностях ИИ к обучению

Ещё одно забавное заблуждение - всенепременное наличие у систем ИИ способности к самообучению. С одной стороны, это совсем не обязательное свойство систем ИИ: есть множество удивительных систем, не способных самообучаться, но, тем не менее, решающих многие задачи лучше человеческого мозга. С другой стороны, некоторые люди просто не знают того, что самообучение - свойство, которые многие системы ИИ обрели ещё более полусотни лет назад.

Когда в 1999 году я писал свою первую шахматную программу, самообучение уже было совершенно общим местом в этой области - программы умели запоминать опасные позиции, подстраивать под себя дебютные варианты, регулировать стиль игры, подстраиваясь под соперника. Конечно, тем программам было ещё очень далеко до Alpha Zero . Тем не менее, даже системы, обучающиеся поведению на основе взаимодействия с другими системами в ходе экспериментов по так называемому «обучению с подкреплением», уже существовали. Однако по необъяснимой причине некоторые люди до сих пор думают, что способность к самообучению - это прерогатива человеческого интеллекта.

Машинное обучение, целая научная дисциплина, занимается процессами обучения машин решению тех или иных задач.

Существует два больших полюса машинного обучения - обучение с учителем и обучение без учителя.

При обучении с учителем у машины уже есть некоторое количество условно правильных решений для некоторого набора случаев. Задача обучения в таком случае заключается в том, чтобы научить машину на основе имеющихся примеров принимать правильные решения в других, неизвестных ситуациях.

Другая крайность - обучение без учителя . То есть машину ставят в ситуацию, когда правильные решения неизвестны, имеются только данные в сыром, неразмеченном виде. Оказывается, и в таких случаях можно добиться некоторого успеха. Например, можно научить машину выявлению семантических отношений между словами языка на основе анализа очень большого набора текстов.

Одна из разновидностей обучения с учителем - это обучение с подкреплением (reinforcement learning). Идея заключается в том, что система ИИ выступает в роли агента, помещённого в некоторую модельную среду, в которой она может взаимодействовать с другими агентами, например, с собственными копиями, и получать от среды некоторую обратную связь через функцию вознаграждения. Например, шахматная программа, которая играет сама с собой, постепенно подстраивая свои параметры и тем самым постепенно усиливая собственную игру.

Обучение с подкреплением - довольно широкая область, в ней применяют множество интересных методов, начиная от эволюционных алгоритмов и заканчивая байесовской оптимизацией . Последние достижения в области ИИ для игр как раз связаны с усилением ИИ в ходе обучения с подкреплением.

Риски развития технологий: стоит ли бояться «Судного дня»?

Я не отношусь к числу ИИ-алармистов, и в этом смысле я отнюдь не одинок. Например, создатель стэнфордского курса по машинному обучению Эндрю Ын сравнивает проблему опасности ИИ с проблемой перенаселения Марса.

Действительно, в будущем вполне вероятно, что люди колонизируют Марс. Также вероятно, что рано или поздно на Марсе может возникнуть проблема перенаселения, но не совсем понятно, почему мы должны заниматься этой проблемой уже сейчас? Согласны с Ыном и Ян ЛеКун - создатель свёрточных нейронный сетей, и его шеф Марк Цукерберг, и Йошуа Беньо - человек, во многом благодаря исследованиям которого современные нейронные сети способны решать сложные задачи в области обработки текстов.

Чтобы изложить мои взгляды на эту проблему, потребуется, вероятно, несколько часов, поэтому остановлюсь только на основных тезисах.

1. НЕЛЬЗЯ ОГРАНИЧИВАТЬ РАЗВИТИЕ ИИ

Алармисты рассматривают риски, связанные с потенциальным разрушительным воздействием ИИ, при этом игнорируя риски, связанные с попыткой ограничить или даже остановить прогресс в этой области. Технологическое могущество человечества возрастает чрезвычайно быстрыми темпами, что приводит к эффекту, который я называю «удешевлением апокалипсиса».

150 лет назад при всём желании человечество не могло нанести невосполнимого урона ни биосфере, ни себе как виду. Для реализации катастрофического сценария 50 лет назад необходимо было бы сконцентрировать всю технологическую мощь ядерных держав. Завтра для воплощения в жизнь глобальной техногенной катастрофы может хватить и небольшой горстки фанатиков.

Наша технологическая мощь растёт куда быстрее, чем способность человеческого интеллекта эту мощь контролировать.

Если на смену человеческому интеллекту с его предрассудками, агрессией, заблуждениями и ограниченностью не придёт система, способная принимать более взвешенные решения (будь то ИИ или, что я считаю более вероятным, технологически улучшенный и объединённый с машинами в единую систему человеческий интеллект), нас может ждать глобальная катастрофа.

2. создание сверхинтеллекта принципиально невозможно

Существует идея о том, что ИИ будущего всенепременно будет сверхинтеллектом, превосходящим людей даже сильнее, чем люди превосходят муравьёв. Боюсь в данном случае разочаровать и технологических оптимистов - наша Вселенная содержит целый ряд фундаментальных физических ограничений, которые, по всей видимости, сделают создание сверхинтеллекта невозможным.

Например, скорость передачи сигнала ограничена скоростью света, а на планковских масштабах появляется неопределённость Гейзенберга. Отсюда вытекает первый фундаментальный предел - предел Бремерманна, вводящий ограничения на максимальную скорость вычислений для автономной системы заданной массы m.

Другой предел связан с принципом Ландауэра , в соответствии с которым существует минимальное количество теплоты, выделяемое при обработке 1 бита информации. Слишком быстрые вычисления вызовут недопустимый разогрев и разрушение системы. В действительности, современные процессоры от лимита Ландауэра отделяет менее чем тысячекратное отставание. Казалось бы, 1000 - это довольно много, однако ещё одна проблема заключается в том, что многие интеллектуальные задачи относятся к классу сложности EXPTIME. Это означает, что время, необходимое для их решения, является экспоненциальной функцией от размерности задачи. Ускорение системы в несколько раз даёт лишь константный прирост «интеллекта».

В общем, есть очень серьёзные основания полагать, что сверхинтеллектуального сильного ИИ не получится, хотя, конечно, уровень человеческого интеллекта вполне может быть превзойдён. Насколько это опасно? Скорее всего, не очень.

Представьте себе, что вы внезапно начали думать в 100 раз быстрее остальных людей. Значит ли это, что вы легко будете способны уговорить любого прохожего отдать вам свой кошелёк?

3. мы беспокоимся совсем не о том

К сожалению, в результате спекуляций алармистов на страхах публики, воспитанной на «Терминаторе» и знаменитом HAL 9000 Кларка и Кубрика, происходит смещение акцентов в сфере безопасности ИИ в сторону анализа маловероятных, но эффектных сценариев. При этом реальные опасности ускользают из виду.

Любая достаточно сложная технология, претендующая на то, чтобы занять важное место в нашем технологическом ландшафте, безусловно приносит с собой специфические риски. Множество жизней было погублено паровыми машинами - на производстве, на транспорте и так далее - прежде чем были выработаны эффективные правила и меры по обеспечению безопасности.

Если говорить о прогрессе в области прикладного ИИ, можно обратить внимание на связанную с ним проблему так называемого «Цифрового тайного суда» . Всё больше и больше прикладных систем ИИ принимает решения по вопросам, затрагивающим жизнь и здоровье людей. Сюда относятся и медицинские диагностические системы, и, например, системы, принимающие в банках решения о выдаче или невыдаче кредита клиенту.

В то же время структура используемых моделей, наборы используемых факторов и другие детали процедуры принятия решения скрыты коммерческой тайной от человека, чья судьба находится на кону.

Используемые модели могут основывать свои решения на мнениях учителей-экспертов, допускавших систематические ошибки или имевших те или иные предрассудки - расовые, гендерные.

ИИ, обученный на решениях таких экспертов, будет добросовестно воспроизводить эти предрассудки в своих решениях. В конце концов эти модели могут содержать в себе специфические дефекты.

Этими проблемами сейчас мало кто занимается, поскольку, конечно, SkyNet, развязывающий ядерную войну, это, безусловно, куда более зрелищно.

Нейросети как «горячий тренд»

С одной стороны, нейронные сети - это одна из самых старинных моделей, применяющихся для создания систем ИИ. Появившиеся изначально в результате применения бионического подхода , они довольно быстро убежали от своих биологических прототипов. Исключением тут являются только импульсные нейронные сети (впрочем, пока не нашедшие широкого применения в индустрии).

Прогресс последних десятилетий связан с развитием технологий глубокого обучения - подхода, при котором нейронные сети собирают из большого количество слоёв, каждый из которых построен на основе определённых регулярных паттернов.

Помимо создания новых нейросетевых моделей важный прогресс был также достигнут в области технологий обучения. Сегодня нейронные сети учат уже не при помощи центральных процессоров компьютеров, а с использованием специализированных процессоров, способных быстро производить матричные и тензорные вычисления. Наиболее распространённый на сегодняшний день вид таких устройств - видеокарты. Впрочем, активно ведётся разработка ещё более специализированных устройств для обучения нейросетей.

В целом, безусловно, нейронные сети на сегодняшний день, - это одна из основных технологий в области машинного обучения, которой мы обязаны решению многих задач, ранее решавшихся неудовлетворительно. С другой стороны, конечно, нужно понимать, что нейронные сети не являются панацеей. Для некоторых задач они - далеко не самый эффективный инструмент.

Так насколько умны нынешние роботы на самом деле?

Всё познаётся в сравнении. На фоне технологий 2000-го года нынешние достижения выглядят настоящим чудом. Всегда найдутся люди, любящие побрюзжать. 5 лет назад они вовсю трындели о том, что машины никогда не выиграют у людей в го (ну или, по крайней мере, выиграют очень нескоро). Говорили о том, что машина никогда не сможет нарисовать с нуля картину, в то время как сегодня люди практически неспособны отличать картины, созданные машинами, от картин неизвестных им художников. В конце прошлого года машины научились синтезировать речь, практически неотличимую от человеческой, а в последние годы от музыки, создаваемой машинами, не вянут уши.

Посмотрим, что будет завтра. Я смотрю на эти области применения ИИ с большим оптимизмом.

Перспективные направления: где начать погружение в сферу ИИ?

Я бы посоветовал постараться на хорошем уровне освоить один из популярных нейросетевых фреймворков и один из популярных в области машинного обучения языков программирования (наиболее популярна на сегодняшний день связка TensorFlow + Python).

Овладев этими инструментами и имея в идеале крепкую базу в области математической статистики и теории вероятностей, следует направить свои усилия в ту сферу, которая будет наиболее интересна лично вам.

Интерес к предмету работы - один из самых важных ваших помощников.

Потребность в специалистах по машинному обучению существует в самых разных областях - в медицине, в банковском деле, в науке, на производстве, поэтому сегодня хорошему специалисту предоставлен как никогда широкий выбор. Потенциальные преимущества любой из этих отраслей мне представляются несущественными по сравнению с тем, что работа будет приносить вам удовольствие.

Искусственный интеллект – это имитация сознания, всё больше и больше внедряющаяся в со-вре-мен-ную жизнь . Ещё недавно возможности ис-кус-ст-вен-но-го интеллекта были совершенно ограничены, а сам термин употреблялся только в романах научной фантастики. И хотя даже в 60-х–70-х годах XX столетия уже казалось, что следующий виток научно-технической революции будет именно в области ин-фор-ма-ци-он-ных технологий и ро-бо-то-тех-ни-ки, это оказалось не совсем так. Мы дейст-ви-тель-но наблюдаем прорыв ин-фор-ма-ци-он-ных технологий, но ро-бо-то-тех-ни-ка развивается гораздо медленнее. Связано это с замедлением темпов развития про-мыш-лен-нос-ти, которое и обуславливает тенденции развития науки.

Характер общественных отношений де-тер-ми-ни-ро-ван ха-рак-те-ром про-из-вод-ст-ва, и точно так же, как астрономия получила развитие ввиду не-об-хо-ди-мос-ти составления звёздных карт для мо-ре-пла-ва-ния, ро-бо-то-тех-ни-ка может получить развитие только в случае эко-но-ми-чес-кой об-ос-но-ван-нос-ти интеграции роботов в производства. Такая об-ос-но-ван-ность существует? Да, существует! Уже сегодня есть полностью ав-то-ма-ти-зи-ро-ван-ные заводы, программы са-мо-стоя-тель-но решают сложные задачи и даже анализ данных уже поручают ис-кус-ст-вен-но-му интеллекту. Тем не менее, возможности ис-кус-ст-вен-но-го интеллекта всё ещё достаточно скромны. Возможно, кто-то с этим не согласится, но прежде, чем возмущаться, постарайтесь услышать, что мы имеем в виду.

Мы не зря дали определение ис-кус-ст-вен-но-го интеллекта, как способности имитации сознания. Есть существенная разница между имитацией сознания и имитацией проявления сознания. В области последнего возможности ис-кус-ст-вен-но-го интеллекта далеко шагнули вперёд. Есть масса программ, обучающихся на «Big data» и выдающая на основе этого поразительно раз-но-об-раз-ные данные для дальнейшего анализа. Есть программы способные уже сегодня участвовать в создании других программ. Всё это недооценить невозможно, но всё это не является имитацией сознания. В связи с этим, интересно послушать какие возможности ис-кус-ст-вен-но-го интеллекта в имитации сознания на самом деле существуют уже сегодня. Ввиду чего мы и хотим предоставить выжимку интервью «ПостНауке» Бориса Миркина .

Возможности искусственного интеллекта

Давайте сначала определимся с тем, что мы вообще будем подразумевать под термином искусственный интеллект?

Да, совершенно верно, потому что под ис-кус-ст-вен-ным ин-тел-лек-том можно понимать разные вещи. Изначально термин искусственный интеллект применялся в качестве обозначения машины, способной вести себя, как человек. Всем известен тест Тьюринга, который Алан Тьюринг, возможно в шутку, предложил сразу после Второй мировой войны. Идея, на самом деле, замечательная, но с практической точки зрения не совсем удачная. Как правило, разработка любой технологии начинается от простого к сложному, а, согласно концепции Тьюринга, всё надо делать наоборот. Вместо того чтобы разбить задачу на множество элементов и разобраться с каждым по отдельности, задача подменяется собственным внешним проявлением.

В 60-е годы XX столетия компьютерная техника стала постепенно проникать в университеты. В связи с этим в среде ма-те-ма-ти-чес-ких логиков стала популярна идея о постановке правильных аксиом, на основании которых компьютеры смогут выдавать безошибочные результаты. Но тут возникла проблема с софистикой. Компьютер не может про-ана-ли-зи-ро-вать внутреннюю не-про-ти-во-ре-чи-вость набора аксиом. Например из аксиомы «А не равно А» можно вывести всё, что захотите. Все это понимали, поэтому стали развивать логические языки. Создали концепции фрейма, специальные машинные языки, не-клас-си-чес-кую логику и многое другое. Одновременно с этим развивалась ма-те-ма-ти-за-ция разных естественных языков.

В начале XXI века стало очевидно, что обещания, которые давали разработчики ис-кус-ст-вен-но-го интеллекта, получая гранты, реализованы в ближайшем будущем не будут. Именно с этим связано появление таких терминов, как computational intelligence и machine intelligence. Термин artificial intelligence стал практически ругательным. Сегодня же ис-кус-ст-вен-ный интеллект является не столько термином, описывающим нечто конкретное, сколько со-би-ра-тель-ным названием исследований разного направления. И все успешные современные разработки artificial intelligence, за исключением ро-бо-то-тех-ни-ки, являются результатом эффективных алгоритмов анализа данных, а не алгоритмов искусственного интеллекта.

Можно сказать, что развитие возможностей ис-кус-ст-вен-но-го интеллекта в 2000 годах стало результатом внедрения технологий анализа данных в технологии ис-кус-ст-вен-но-го интеллекта? А до 2000 годов эти две области исследований развивались параллельно друг другу?

Да, конечно! Искусственный интеллект относится к области логики, а анализ данных к статистике. До 90-х годов эти две области были никак не связаны. А вот в 90-х годах возникло такое направление data mining. Что это такое? С развитием компьютерной техники, её стали использовать в компаниях для хранения и передачи данных. Компьютеры изобретали для вычислений, а не для обработки данных. Ввиду этого пришлось при-спо-саб-ли-вать-ся под новые задачи и изобретать технологии баз данных. Они и позволили эффективно решить эту задачу, упростив хранение, поиск и обработку данных.

Решение этих проблем обнаружилось в 1993-95 годах, когда стали ис-поль-зо-вать-ся ин-тер-ак-тив-ные операционные системы. В это время в магазинах стали использовать данные о взаимосвязях при выборе товаров. Таким образом, обработав данные о поведенческих моделях покупателей, товары удалось разместить таким образом, чтобы покупатели чаще натыкались на те товары, которые обычно люди покупают вместе. Это увеличило продажи! Сегодня найти данные о тех ас-со-циа-тив-ных правилах, которые применялись при майнинге данных, почти невозможно. А ведь когда-то эта история наделала массу шума! Но нам важно то, что эта история демонстрирует, как отбираются интересные закономерности при майнинге. Интересная закономерность – это закономерность, отличающаяся от нормы.

Другой важной составляющей науки о данных является машинное обучение. Прорыв в этом отношении произошёл в том направлении, в котором максимой является то, что машины учатся, а как они это делают не важно. Предполагалось, что нейронные сети станут аналогом мозга, но на практике этого не произошло. Оказалось, что если сделать многослойную нейронную сеть, которая, казалось бы, вовсе и не нужна с математической точки зрения, то от слоя к слою сеть будет обучаться, причем ни автор алгоритма, ни пользователь не могут знать, на что именно обращает внимание многослойная нейронная сеть. Простые нейронные сети выдавали много ошибок, а вот глубокие – дают только 5–10% ошибочных ответов.

Мы не знаем, как именно работают глубокие нейронные сети. Всё, что нам известно, это факт того, что они способны уточнять свои коэффициенты при поправках «учителя». Сейчас программы даже научились писать стихи, но является ли это искусственным интеллектом? Можно выделить две группы когнитивных систем. Первая – это совокупность информации, которая не понятна человеку, а после её уточнения у эксперта, он полностью заменяет и забывает своё предыдущее представление о ней. Вторая – это то, что можно назвать таксономией. В этом случае частности объединяются в общие понятия и могут ин-тер-пре-ти-ро-вать-ся в зависимости от обстоятельств. Компьютер стремится ко второй группе сознания, но пока не может его достичь.

Искусственный интеллект (ИИ, англ. Artificial intelligence, AI) - наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.

Что такое искусственный интеллект

Интеллект (от лат. intellectus - ощущение, восприятие, разумение, понимание, понятие, рассудок), или ум - качество психики, состоящее из способности приспосабливаться к новым ситуациям, способности к обучению и запоминанию на основе опыта, пониманию и применению абстрактных концепций и использованию своих знаний для управления окружающей средой. Интеллект - это общая способность к познанию и решению трудностей, которая объединяет все познавательные способности человека: ощущение, восприятие, память, представление, мышление, воображение.

В начале 1980-х гг. ученые в области теории вычислений Барр и Файгенбаум предложили следующее определение искусственного интеллекта (ИИ):

Позже к ИИ стали относить ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать некоторые задачи так, как это делал бы размышляющий над их решением человек.

Основные свойства ИИ - это понимание языка, обучение и способность мыслить и, что немаловажно, действовать.

ИИ – комплекс родственных технологий и процессов, развивающихся качественно и стремительно, например:

• обработка текста на естественном языке
• экспертные системы
• виртуальные агенты (чат-боты и виртуальные помощники)
• системы рекомендаций.

Технологические направления ИИ. Данные Deloitte

Исследования в сфере ИИ

• Основная статья: Исследования в сфере искусственного интеллекта

Стандартизация в области ИИ

2018: Разработка стандартов в области квантовых коммуникаций, ИИ и умного города

Технический комитет «Кибер-физические системы» на базе РВК совместно с Региональным инжиниринговым центром «СэйфНет» 6 декабря 2018 года начали разработку комплекса стандартов для рынков Национальной технологической инициативы (НТИ) и цифровой экономики . К марту 2019 года планируется разработать документы технической стандартизации в области квантовых коммуникаций , и , сообщили в РВК. Подробнее .

Влияние искусственного интеллекта

Риск для развития человеческой цивилизации

Влияние на экономику и бизнес

• Влияние технологий искусственного интеллекта на экономику и бизнес

Влияние на рынок труда

Предвзятость искусственного интеллекта

В основе всего того, что является практикой ИИ (машинный перевод, распознавание речи, обработка текстов на естественных языках, компьютерное зрение , автоматизация вождения автомобилей и многое другое) лежит глубинное обучение. Это подмножество машинного обучения , отличающееся использованием моделей нейронных сетей , о которых можно сказать, что они имитируют работу мозга, поэтому их с натяжкой можно отнести к ИИ. Любая модель нейронной сети обучается на больших наборах данных , таким образом, она обретает некоторые «навыки», но то, как она ими пользуется - для создателей остается не ясным, что в конечном счете становится одной из важнейших проблем для многих приложений глубинного обучения. Причина в том, что такая модель работает с образами формально, без какого-либо понимания того, что она делает. Является ли такая система ИИ и можно ли доверять системам, построенным на основе машинного обучения? Значение ответа на последний вопрос выходит за пределы научных лабораторий. Поэтому заметно обострилось внимание средств массовой информации к явлению, получившему название AI bias. Его можно перевести как «необъективность ИИ» или «пристрастность ИИ». Подробнее .

Рынок технологий искусственного интеллекта

Рынок ИИ в России

Мировой рынок ИИ

Сферы применения ИИ

Сферы применения ИИ достаточно широки и охватывают как привычные слуху технологии, так и появляющиеся новые направления, далекие от массового применения, иначе говоря, это весь спектр решений, от пылесосов до космических станций. Можно разделить все их разнообразие по критерию ключевых точек развития.

ИИ - это не монолитная предметная область. Более того, некоторые технологические направления ИИ фигурируют как новые подотрасли экономики и обособленные сущности, одновременно обслуживая большинство сфер в экономике.

Основные коммерческие сферы применения технологий искусственного интеллекта

Развитие применения использования ИИ ведет к адаптации технологий в классических отраслях экономики по всей цепочке создания ценности и преобразует их, приводя к алгоритмизированию практически всего функционала, от логистики до управления компанией.

Использование ИИ в целях обороны и в военном деле

Использование в образовании

Использование ИИ в бизнесе

ИИ в электроэнергетики

• На уровне проектирования: улучшенное прогнозирование генерации и спроса на энергоресурсы, оценка надежности энергогенерирующего оборудования, автоматизация повышения генерации при скачке спроса.
• На уровне производства: оптимизация профилактического обслуживания оборудования, повышение эффективности генерации, снижение потерь, предотвращение краж энергоресурсов.
• На уровне продвижения: оптимизация ценообразования в зависимости от времени дня и динамическая тарификация.
• На уровне предоставления обслуживания: автоматический выбор наиболее выгодного поставщика, подробная статистика потребления, автоматизированное обслуживание клиентов, оптимизация энергопотребления с учетом привычек и поведения клиента.

ИИ в производственной сфере

• На уровне проектирования: повышение эффективности разработки новых продуктов, автоматизированная оценка поставщиков и анализ требований к запчастям и деталям.
• На уровне производства: совершенствование процесса исполнения задач, автоматизация сборочных линий, снижение количества ошибок, уменьшение сроков доставки сырья.
• На уровне продвижения: прогнозирование объемов предоставления услуг поддержки и обслуживания, управление ценообразованием.
• На уровне предоставления обслуживания: улучшение планирования маршрутов парка транспортных средств, спроса на ресурсы автопарка, повышение качества подготовки сервисных инженеров.

ИИ в банках

• Распознавание образов - используется в т.ч. для узнавания клиентов в отделениях и передачи им специализированных предложений.

Основные коммерческие сферы применения технологий искусственного интеллекта в банках

ИИ на транспорте

• Автоиндустрия на пороге революции: 5 вызовов эры беспилотного вождения

ИИ в логистике

ИИ в пивоварении

Использование ИИ в госуправлении

ИИ в криминалистике

• Распознавание образов - используется в т.ч. для выявления преступников в общественных пространствах.

• В мае 2018 года стало известно об использовании голландской полицией искусственного интеллекта для расследования сложных преступлений.

Как сообщает издание The Next Web, правоохранительные органы начали оцифровывать более 1500 отчетов и 30 млн страниц, связанных с нераскрытыми делами. В компьютерный формат переносят материалы, начиная с 1988 года, в которых преступление не раскрывалось не менее трех лет, и преступник были приговорен к более 12 годам лишения свободы.

Раскрыть сложное преступление за день. Полиция берет ИИ на вооружение

После оцифровки всего контента он будет подключен к системе машинного обучения , которая будет анализировать записи и решать, в каких делах используются самые достоверные доказательства. Это должно снизить время обработки дел и раскрытия прошлых и будущих преступлений с нескольких недель до одного дня.

Искусственный интеллект будет распределять дела по их «разрешимости» и указывать на возможные результаты экспертизы ДНК. Затем планируется автоматизировать анализ и в других областях судебной экспертизы и, возможно, даже охватить данные в таких областях, как общественные науки и свидетельские показания.

Кроме того, как рассказал один разработчиков системы Джерун Хаммер (Jeroen Hammer), в будущем могут быть выпущены API -функции для партнёров.

В голландской полиции есть специальное подразделение, специализирующееся на освоении новых технологий для раскрытия преступлений. Именно он и создало ИИ-систему для быстрого поиска преступников по уликам.

ИИ в судебной системе

Разработки в области искусственного интеллекта помогут кардинально изменить судебную систему, сделать ее более справедливой и свободной от коррупционных схем. Такое мнение высказал летом 2017 года доктор технических наук, технический консультант Artezio Владимир Крылов.

Ученый считает, что уже существующие сейчас решения в области AI можно успешно применять в разных сферах экономики и общественной жизни. Эксперт указывает, что AI успешно применяется в медицине, однако в будущем способен полностью изменить и судебную систему.

«Ежедневно просматривая новостные сообщения о разработках в области ИИ только поражаешься неисчерпаемости фантазии и плодотворности исследователей и разработчиков в этой области. Сообщения о научных исследований постоянно чередуются с публикациями о новых продуктах, врывающихся на рынок и сообщениями об удивительных результатах, полученных с помощью применения ИИ в различных областях. Если же говорить об ожидаемых событиях, сопровождаемых заметным хайпом в СМИ, в котором ИИ станет снова героем новостей, то я, наверное, не рискну делать технологических прогнозов. Могу предположить, что ближайшим событием станет появление где-то предельно компетентного суда в форме искусственного интеллекта, справедливого и неподкупного. Случится это, видимо, в 2020-2025 году. И процессы, которые пройдут в этом суде приведут к неожиданным рефлексиям и стремлению многих людей передать ИИ большинство процессов управления человеческим обществом».

Использование искусственного интеллекта в судебной системе ученый признает «логичным шагом» по развитию законодательного равенства и справедливости. Машинный разум не подвержен коррупции и эмоциям, может четко придерживаться законодательных рамок и выносить решения с учетом многих факторов, включая данные, которые характеризуют участников спора. По аналогии с медицинской сферой, роботы -судьи могут оперировать большими данными из хранилищ государственных служб. Можно предположить, что машинный интеллект сможет быстро обрабатывать данные и учитывать значительно больше факторов, чем судья-человек.

Эксперты-психологи, впрочем, считают, что отсутствие эмоциональной составляющей при рассмотрении судебных дел негативно скажется на качестве решения. Вердикт машинного суда может оказаться слишком прямолинейным, не учитывающим важность чувств и настроения людей.

Живопись

В 2015 году команда Google тестировала нейронные сети на предмет возможности самостоятельно создавать изображения. Тогда искусственный интеллект обучали на примере большого количества различных картинок. Однако, когда машину «попросили» самостоятельно что-нибудь изобразить, то оказалось, что она интерпретирует окружающий нас мир несколько странно. Например, на задачу нарисовать гантели, разработчики получили изображение, в котором металл был соединён человеческими руками. Вероятно, произошло это из-за того, что на этапе обучения анализируемые картинки с гантелями содержали руки, и нейронная сеть неверно это интерпретировала.

26 февраля 2016 года в Сан-Франциско на специальном аукционе представители Google выручили с психоделических картин, написанных искусственным интеллектом, порядка $98 тыс. Данные средства были пожертвованы на благотворительность. Одна из наиболее удачных картин машины представлена ниже.

Картина, написанная искусственным интеллектом Google.

Новости о новых разработках в области искусственного интеллекта появляются с завидной периодичностью. Так в январе этого года Google объявила о своих планах в партнёрстве с компанией Movidius создать мобильные процессоры с возможностями машинного обучения. Заявленные цели партнерства – предоставить людям возможности машинного интеллекта в их карманных устройствах. А в феврале инженеры MIT уже представили процессор Eyeriss, благодаря которому искусственный интеллект может появиться в портативных устройствах. И это на фоне того, что объем инвестиций в разработку систем искусственного интеллекта растёт от года к году.

Все говорит о том, что скоро искусственный интеллект проникнет уже и в наши смартфоны, которые серьезно «поумнеют». Так не далеко и до восстания машин? Насколько же нужно поумнеть машинам, чтобы взять власть над людьми. И насколько это реально.

Искусственный интеллект раз, искусственный интеллект два, искусственный интеллект три

Когда мы читаем или слышим об искусственном интеллекте, то многие из нас представляют себе SkyNet и машины из знаменитого фильма о Терминаторе. Что же вкладывают в это понятие исследователи и разработчики?

Различают три вида ИИ который нам предстоит, или возможно предстоит создать:

Узконаправленный искусственный интеллект. Именно его мы в ближайшее время получим в своих новых смартфонах. Такой интеллект превосходит человеческий в определенных видах деятельности или операциях. Компьютер с узконаправленным искусственным интеллектом способен обыграть чемпиона мира по шахматам, припарковать автомобиль или подобрать наиболее соответствующие запросу результаты в поисковой системе.

Сила такого искусственного интеллекта - в вычислительных возможностях процессоров. Чем больше эти возможности, тем эффективней решаются поставленные задачи. А с ростом мощности процессоров сейчас проблем нет. Узконаправленный ИИ, в философии искусственного интеллекта (есть и такая) именуется слабым.

Но одних вычислительных возможностей, по мнению ученых, мало для того чтобы создать по настоящему умные машины. Хотя именно вымышленный случай спонтанного перехода слабого искусственного интеллекта в сильный и лег в основу сценария фильмов о Терминаторе. SkyNet – суперкомпьютер Минобороны США, предназначенный для управления системой противоракетной обороны, обретает сознание и начинает принимать собственные решения.

Общий искусственный интеллект. Если системы с узконаправленным ИИ мы уже создали и нашли им практическое применение, то с Общим ИИ все гораздо сложнее. Такой вид ИИ уже интеллект человеческого уровня. Он универсален и способен выполнять те же интеллектуальные операции, что и мозг человека.

Если мы на своем веку увидим полностью человекоподобных роботов, то они будут обладать именно таким видом интеллекта. Вспомните андроида Эндрю из фильма Криса Коламбуса «Двухсотлетний человек». Роботы с таким ИИ смогут самостоятельно обучаться, мыслить и принимать решения как люди. Они смогут выстраивать отношения с окружающими людьми, становится друзьями и помощниками. Именно такой искусственный интеллект и называется сильным.

Но между сильным и слабым искусственным интеллектом лежит пропасть. Чтобы пройти путь от одного до другого, мало увеличить вычислительную мощность компьютеров, надо ещё дать им разум. Ученые пока ещё не видят однозначного способа как это сделать.

Искусственный сверхинтеллект. Именно этот вид искусственного интеллекта и привлекает широкое внимание. Во многом потому, что возможность его создания многими учеными воспринимается как опасность для человечества. SkyNet - иллюстрация такой угрозы.

Сверхинтеллект будет умнее любого из людей. Он будет превосходить человека практически в любой сфере. Сможет решать сложнейшие задачи и делать научные открытия. Как поведет себя разумная машина в отношении с человечеством?

Ученые предполагают три модели взаимодействия:

Оракул - мы сможем получить ответ на любой сложнейший вопрос.

Джин - все что нам нужно он сделает сам, используя для этого хоть молекулярный ассемблер, хоть роботизированные лаборатории и заводы, работающие без участия человека.

Суверен - сам найдёт проблему и сам её решит.

Как видим, в термине «искусственный интеллект» кроется целых три формы существования искусственного интеллекта. И отличия их друг от друга значительные, как и последствия перехода от одного ИИ к другому. Можем ли мы определить уровень интеллекта умных машин, что бы понимать с кем имеем дело?

Как измерить искусственный интеллект?

Люди отличаются друг от друга уровнем интеллекта. Для его количественной оценки применяются специальные тесты. Тест на IQ многим известен. А как меряют интеллект машин?

Если некритично подойти к сообщениям СМИ, то интеллектуальный уровень современных машин варьируется между IQ 4-х летнего ребенка и 13-летнего подростка. Эти два числа иллюстрируют два подхода к измерению интеллектуальности машин.

В 2015 году коллектив ученых из Иллинойса проверил систему искусственного интеллекта ConceptNet созданную в Массачусетском технологическом институте с использованием стандартного теста на IQ для детей в возрасте от 2,5 до 7 лет. Результат машины соответствовал средним показателям четырехлетнего ребенка.

Помимо применения тестов рассчитанных на человека широко известен и применяется специальный тест предназначенный для машин. Тест Тьюринга призван определить может ли машина мыслить.

Тест заключается в следующем. Один человек – судья общается с двумя собеседниками, которых он не видит. Все взаимодействие ведется путем переписки с помощью компьютера-посредника. Одним из собеседников является человек, а другим компьютерная программа, выдающая себя за человека. Если судья не сможет определенно сказать, кто из его собеседников является программой, то считается что машина прошла тест.

До настоящего времени тест Тьюринга был пройден лишь однажды. В 2014 году программа Eugene Goostman, имитировавшая 13-летнего подростка, названного разработчиками Женей Густманом, смогла ввести в заблуждение судей и выдать себя за человека.

Впрочем, против подобных тестов существует множество возражений. И компьютеры, и их программы на сегодняшний день являются носителями слабого - узконаправленного искусственного интеллекта. Такой интеллект может только имитировать человека который проходит тест.

Все изменится при переходе от слабого искусственного интеллекта к сильному. Машина наделённая общим искусственным интеллектом, который будет подобен интеллекту человека, уже будет обладать сознанием и самосознанием, а следовательно будет мыслить. Такой компьютер пройдёт стандартный тест на IQ, отвечая на вопросы сознательно, как это делает человек.

Коэффициент уровня интеллекта человека колеблется от 85 до 130. Эти же показатели будут доступны и общему ИИ. А вот верхний уровень IQ искусственного сверхинтеллекта ограничений иметь не будет. Это может быть и 1 000 и 10 000. Что нас ждёт по мере совершенствования ИИ?