Клиффорд Пиковер - Искусственный интеллект. Иллюстрированная история. От автоматов до нейросетей

Термин «трансгуманизм» ввел в употребление биолог Джулиан Хаксли (1887–1975) в своей книге «Новые мехи для нового вина», опубликованной в 1957 г. Он высказал предположение, что «человеческий вид может… превзойти себя… реализовав новые возможности человеческой природы ради нее самой… Человеческий вид окажется на пороге нового способа существования, столь же отличного от нашего, как наш отличается от способа существования синантропа. И таким образом наш вид осознанно исполнит свое истинное предназначение».

Современная концепция трансгуманизма, разделяемая философом-футурологом Максом Мором (р. 1964) и многими другими учеными, предполагает использование технологий для расширения умственных и физических возможностей человека. Идея состоит в том, что когда-нибудь мы наверняка станем «постчеловеками» или даже обретем бессмертие благодаря генетическим манипуляциям, робототехнике, нанотехнологиям, компьютерам или переносу сознания в виртуальные миры – а также благодаря полному пониманию биологических процессов старения. Мы уже учимся использовать интерфейсы «мозг – компьютер», чтобы соединяться с продвинутым ИИ для расширения наших когнитивных способностей, и чем глубже мы понимаем биологический механизм старения, тем ближе мы к бессмертию.

Если бы ваше тело или разум могли существовать вечно, что осталось бы от вашего «я»? Мы все меняемся благодаря своему опыту – но эти изменения происходят постепенно, а значит, сейчас вы почти тот же человек, каким были год назад. Однако, если ваше обычное или улучшенное тело будет непрерывно существовать тысячу лет, за это время ваша психика значительно изменится, и в вашем теле, возможно, окажется совершенно другой человек. Этот тысячелетний человек может совсем не походить на вас. Вы словно перестанете существовать. Не будет определенного момента смерти, в который ваше существование прекратится, но все же вы будете медленно исчезать на протяжении тысячелетий, подобно замку из песка, размываемому океаном времени.

СМ. ТАКЖЕ Мельница Лейбница (1714), Поиски души (1907), «Симбиоз человека и компьютера» Ликлайдера (1960), Жизнь в симуляции (1967), «Искусственный разум» Спилберга (2001)

Американский ученый и экономист Ёсихиро Фрэнсис Фукуяма(р. 1952) назвал трансгуманизм, который предполагает использование технологий для расширения умственных и физических возможностей человека, самой опасной идеей в мире.

Эксперт по ИИ Артур Ли Сэмюэл (1901–1990) считается одним из первых, кто употребил термин «машинное обучение». Термин вошел в обиход благодаря статье Сэмюэла «Некоторые исследования в области машинного обучения на примере игры в шашки», опубликованной в IBM Journal of Research and Development в 1959 г. В статье объяснялось, что «программирование компьютеров для их обучения на опыте» может во многом устранить необходимость в инструкциях для выполнения конкретных задач.

Сегодня машинное обучение стало одним из основных методов вычислений и инструментов искусственного интеллекта. Оно играет важную роль в технологиях компьютерного зрения, распознавания речи, автономных роботов, беспилотных автомобилей, распознавания лиц, фильтрации спама, оптического распознавания символов, рекомендаций товаров, выявления риска раковых заболеваний, обнаружения утечек данных и т. д. Многие формы машинного обучения требуют больших массивов входных данных для «тренировки» системы.

При обучении с учителем алгоритмы получают образцы размеченных данных. На их основе система строит прогнозы для работы с новыми данными. Например, система получает набор из 100 тысяч изображений львов и тигров, которые правильно размечены людьми как «львы» или «тигры». Алгоритм обучения с учителем должен научиться отличать львов от тигров на изображениях, которых он раньше не видел. В машинном обучении без учителя используются неразмеченные данные, и система должна самостоятельно выявлять в них скрытые закономерности, например, определять, что тридцатилетние женщины, которые перестают покупать консервы с тунцом, могут быть беременны, а значит, становятся целевой аудиторией для рекламы детских товаров.

Методы машинного обучения не защищены от ошибок – например, если входные данные необъективны, неверны или намеренно сфальсифицированы. Поэтому нельзя слишком полагаться на автоматизированные методы при принятии решений о выдаче кредита, приеме на работу или одобрении условно-досрочного освобождения. Этот принцип актуален для самых разных областей, где в принятии решений участвуют машины.

СМ. ТАКЖЕ Искусственные нейронные сети (1943), Обучение с подкреплением (1951), Обработка естественного языка (1954), Представление знаний (1959), Глубокое обучение (1965), Генетические алгоритмы (1975), Роевой интеллект (1986), Состязательные примеры (2018)

В 2017 г. ученые из Стэнфорда разработали алгоритм машинного обучения,способный диагностировать пневмонию лучше рентгенологов. На рентгеновском снимке грудной клетки виден плевральный выпот в правом легком.

«Чтобы система была интеллектуальной, – пишет информатик Нильс Нильссон, – она должна обладать знаниями о своем мире и уметь делать выводы из этих знаний или, по крайней мере, действовать исходя из них. Как у людей, так и у машин должны быть способы представления необходимых знаний во внутренних структурах, будь то кодирование в белке или кодирование в кремнии». В наше время внимание к ИИ по большей части сосредоточено на машинном обучении и статистических алгоритмах, например для распознавания образов. Однако логическая модель представления знаний по-прежнему играет большую роль во многих областях.

Представление знаний – это область исследований ИИ, связанная с хранением и обработкой информации таким образом, чтобы компьютерные системы могли эффективно ее использовать, например для постановки медицинских диагнозов и выработки юридических рекомендаций, а также для обеспечения работы интеллектуальных диалоговых систем, таких как Сири в iPhone или Алекса в Amazon Echo . В частности, представление знаний может осуществляется с помощью семантической сети , отражающей семантические (то есть смысловые) отношения между понятиями. Семантические сети часто принимают форму графов, вершины которых соответствуют понятиям, а ребра (соединительные линии) указывают на семантические отношения между ними. Разные методы представления знаний находят применение в автоматических рассуждениях, в том числе при автоматическом доказательстве математических теорем.