Питер Бентли - Всё об искусственном интеллекте за 60 минут

Исследователи продолжают работать над эволюционирующими устройствами. Некоторые даже внедряют принцип «развивающегося роста», чтобы зарождающиеся цепи «вырастали» во взрослые и более сложные. Эволюционирующие компьютерные схемы непросты, но годы прогресса привели к появлению новых технологий – и, похоже, они изменят способ создания ИИ в будущем. Джулиан Миллер начал с разработки электронных схем, но сегодня он занимается развитием нейронных сетей последнего поколения, в которых число нейронов может меняться в процессе обучения. Он одним из первых показал, что эволюции под силу создать искусственный мозг, способный решать совершенно разные задачи, используя одни и те же нейроны различными способами (см. главу 10).

Эволюция в компьютере позволяет нам находить новые решения проблем, которые ставят в тупик человеческую интуицию.

Во многом благодаря поиску такие методы, как обучение с подкреплением, достигли заметных успехов. И эти успехи вызывают одновременно благоговение и страх. Некоторые специалисты утверждают, что генетические алгоритмы, к примеру, позволят ИИ менять себя до тех пор, пока он не станет умнее нас. Они представляют пугающие сценарии, подозрительно похожие на сюжеты известных научно-фантастических фильмов, где ИИ захватывает мир и уничтожает всех людей.

Однако столь мрачные видения далеки от реальности. Подобные сценарии невозможны по многим причинам, и, пожалуй, в первую очередь потому, что поиск решений чрезвычайно сложен. Хотя исследователи достигли поразительных успехов, произошло это только после десятилетий огромных усилий, которые прилагали тысячи очень умных людей в лабораториях. Чаще всего же результат заключается в том, что компьютер оказывается в тупике и не находит хорошего решения. Обычно область поиска слишком велика, чтобы решение можно было найти за разумное время, или же слишком сложна для навигации; порой и ее природа слишком изменчива. Время, затрачиваемое на тестирование каждого потенциального решения, ограничивает количество возможных вариантов – и чем сложнее решение, тем больше времени требуется для его проверки. И пусть сегодня у нас есть впечатляющие вычислительные мощности (по сравнению с теми, что были несколько десятилетий назад), их, вероятно, еще долго не будет достаточно – в течение десятилетий, если не столетий. Увеличение вычислительной мощности не помогает нам в понимании того, как заставить ее работать.

Исследователи учатся многим «приемам» у природы, будь то эволюция, иммунная система или просто поведение стаи птиц, но многого мы пока не знаем. Нам еще предстоит выяснить, как естественная эволюция ищет и находит в кажущемся бесконечным пространстве возможностей те, что наиболее жизнеспособны.

В конце концов, поиск помогает компьютерам находить решения проблем. И часто делает это прекрасно. Но он всегда нуждается в нашей помощи, чтобы работать как надо.

Размером в одну пятую миллиметра – меньше, чем может увидеть глаз. Меньше, чем одноклеточная амеба. И все же у нее есть полностью функционирующие глаза. А еще тонкие крылья – не больше, чем несколько тонких волосков, но их достаточно, чтобы переносить ее тельце через густой воздух, что кажется таковым в столь крохотном масштабе. Слишком маленькая, чтобы иметь сердце, – ее кровь циркулирует только за счет диффузии. Она воспринимает свой мир достаточно хорошо для того, чтобы находить еду, партнеров и хозяев, в яйца которых она откладывает свои. Ее способность понимать мир обеспечивается самым маленьким мозгом, который когда-либо был найден у насекомого и летающего существа. Состоящий всего из 7 400 нервных клеток, он на несколько порядков меньше мозга крупных насекомых. Это удивительная Megaphragma mymaripenne – крошечная оса и третье из самых маленьких известных насекомых.

Сегодня мы не понимаем, как такое малое количество нейронов может обеспечить столь сложное восприятие и контроль. Megaphragma mymaripenne (она изучается настолько редко, что у нее нет даже общепринятого названия, поэтому давайте назовем ее просто осой-малюткой) – это микронасекомое, обладающее возможностями, которыми не может похвастаться ни один робот, но по какой-то причине ее механизм восприятия кажется более простым, чем у современных ИИ.

Восприятие – ключевой аспект ИИ. Без способности воспринимать внешний мир ИИ может жить только в цифровой вселенной, имея свои, понятные лишь посвященным, «мысли» о данных, которые не имеют никакого отношения к реальности. Сенсоры соединяют его с внешним миром, камеры дают ему зрение, микрофоны – слух, датчики давления обеспечивают управление, акселерометры – ориентацию. За последние годы удалось разработать также много экзотических типов сенсоров, часто используемых в науке и технике. Это означает, что ИИ может обладать гораздо более широким спектром чувств по сравнению с нами. Например, большинство автономных транспортных средств используют систему LIDAR для обнаружения объектов и их местоположения вне зависимости от уровня освещенности. Камеры способны видеть области электромагнитного спектра, которые не доступны нашим глазам, позволяя, таким образом, ИИ видеть тепловые или радиоволны. Сенсоры, встроенные в двигатели, обеспечивающие GPS и триангуляцию через вышки сотовой связи и сигналы Wi-Fi , помогают ИИ точно определять свое местоположение и скорость. И хотя роботам не нужно есть, их химические сенсоры могут более точно распознавать химические вещества, чем наш нос или язык.

Сенсоры чрезвычайно важны, но они позволяют сделать лишь первый шаг в восприятии. Характеристики внешнего мира фиксируются этими датчиками, вырабатывающими электрические сигналы. А те уже преобразуются в данные – миллионы единиц и нулей, – поступающие в ИИ. Точно так же, как наш мозг преобразовывает сигналы от фотонов, попадающих на сетчатку в задней части наших глаз, и распознает их, ИИ понимает данные, непрерывно поступающие в его цифровой мозг.

Есть компания по производству рубашек, которая также производит датчики, встраиваемые в вашу одежду. Они будут следить за тем, как вы сидите, бегаете или катаетесь на лыжах, и генерировать данные на основе этой информации.

Ранние работы о компьютерном зрении были сосредоточены на разбивке изображений на составные элементы – предполагалось, что сходным образом видят наши глаза. Разрабатывались алгоритмы, которые исследовали массу, казалось бы, несвязанной информации, и в итоге удалось установить, что между областями на изображениях есть границы, или края.