Nylig har publikasjoner om utsiktene for fremveksten av kunstig intelligens blitt hyppigere. De praktiske og moral-etiske aspektene ved sameksistensen av menneskeheten med ham blir diskutert. Hvor betimelig er disse diskusjonene? Kan vi virkelig forvente utseendet til "tenkemaskiner"?
Alle prosjekter for å lage kunstig intelligens kan grovt sett deles inn i to områder. Den første er akkumulering av databaser og behandlingen av dem ved programmer som etterligner aktiviteten til den menneskelige hjernen. Det andre er basert på studier av modeller for intellektuell atferd. Den viktigste ulempen med begge er at vi fremdeles ikke vet godt nok hva sinnet og den intellektuelle atferden er, og den menneskelige hjernen, ærlig talt, har blitt seriøst studert relativt nylig.
Det er en oppfatning om at problemet kan omgås på grunn av cyborgs, det vil si ved å fusjonere en levende hjerne (abe, og i fremtiden - et menneske) med en datamaskin, men denne veien er full av enorme vanskeligheter, og verre er det i dette tilfellet det vil være umulig å snakke om full kunstig intelligens.
Imidlertid mener forskere at det er ganske realistisk å hoppe over flere trinn, slik at kunstig intelligens kan utvikle seg på egen hånd - akkurat som den utviklet seg i levende natur, med den forskjellen at dens evolusjon vil finne sted i virtuelt, ikke materielt rom. Her er innsatsen plassert på kunstige nevrale nettverk eller nevrale nettverk (Artificial Neural Network).
La oss huske hva et nevron er. Dette er navnet på en nervecelle, som skiller seg fra andre celler ved at den er i stand til å lagre og overføre informasjon ved hjelp av elektriske og kjemiske signaler. Funksjonen til nevroner ble oppdaget på slutten av 1800-tallet, som selvfølgelig spilte i hendene på materialistene som fikk autoritet over hele verden på den tiden: de erklærte umiddelbart at det var nevroner som inneholdt "sjelen." Derav ideen om at hvis du på en eller annen måte dyrker en nøyaktig kopi av hjernen, så vil en "sjel" bli født i den. Men et filosofisk spørsmål oppstod: er det mulig å snakke om en "sjel" uten grunn? Tross alt er det et produkt av oppdragelse, som vist ved studien av "Mowgli" - menneskebarn oppdrettet av dyr. Følgelig er det ikke nok å lage en kopi av hjernen - den må fortsatt "utdannes" for å få intelligens.
TEKNISK FIN
En normal voksnes hjerne inneholder omtrent 86 milliarder nevroner. For ikke så lenge siden virket ideen om å lage en digital analog av den helt fantastisk. Men i dag, med utviklingen av informasjonsteknologi, virker dette allerede ganske oppnåelig.
Salgsfremmende video:
Det må huskes at den berømte amerikanske matematikeren Norbert Wiener, "faren" til kybernetikk, regnes som grunnleggeren av teorien om modellering av komplekse biologiske prosesser, inkludert hjerneprosesser. I 1949 samlet den kanadiske psykologen Donald Hebb, en spesialist i studiet av tenkeprosesser, basert på Wiener beregninger, den første treningsalgoritmen for nevrale nettverk (for øvrig, på en gang Hebb tjenestegjorde i CIA, hvor han behandlet problemet med hjernevasking).
I 1957 skapte amerikanske Frank Rosenblatt, en teoretiker av kunstig intelligens, basert på hans tidligere arbeid, et logisk diagram av perceptronet - en selvlærende kybernetisk modell av hjernen, som ble implementert tre år senere på grunnlag av den elektroniske datamaskinen Mark-1. Perceptronet overfører signaler fra fotoceller (sensorer, S-celler) til blokker med elektromekaniske minneceller som er tilfeldig koblet. Hvis en av cellene mottar et signal som overskrider terskelverdien, overfører den det videre - til addereren (R-elementet), og med en viss koeffisient ("vekt" på AR-forbindelsen). Avhengig av summen av signalet multiplisert med vektfaktorene, sender addereren ett av tre mulige resultater til utgangen fra hele systemet: -1, 0 og +1. Opplæringen av perceptronet skjer i stadiet med å introdusere vektkoeffisienter i systemet. For eksempel,vi plasserer en "firkantet" figur foran fotocellene og setter regelen: når en firkant vises i synsfeltet, skal perceptronet gi et positivt resultat (+1), og når noe annet objekt vises, negativt (-1). Så skifter vi objekter en etter en og justerer vektene når et kvadrat vises i retning av å øke, og i sitt fravær - i retning av å synke. Som et resultat oppnår vi et unikt utvalg av verdier av vektkoeffisienter i systemet for enhver variant av utseendet til et kvadrat, og i fremtiden kan vi bruke det til å gjenkjenne firkanter. Til tross for dets primitivitet sammenlignet med moderne datamaskiner, kunne Mark-1 gjenkjenne ikke bare geometriske former, men også alfabetets bokstaver, dessuten skrevet i forskjellige håndskrifter.når en firkant vises i synsfeltet, skal perceptronet gi et positivt resultat (+1), og når noe annet objekt vises - negativt (-1). Så skifter vi objekter en etter en og justerer vektene når et kvadrat vises i retning av å øke, og i sitt fravær - i retning av å synke. Som et resultat oppnår vi et unikt utvalg av verdier av vektkoeffisienter i systemet for enhver variant av utseendet til et kvadrat, og i fremtiden kan vi bruke det til å gjenkjenne firkanter. Til tross for dens primitivitet sammenlignet med moderne datamaskiner, kunne "Mark-1" gjenkjenne ikke bare geometriske former, men også alfabetets bokstaver, og skrevet i forskjellige håndskrifter.når en firkant vises i synsfeltet, skal perceptronet gi et positivt resultat (+1), og når noe annet objekt vises - negativt (-1). Så skifter vi objekter en etter en og justerer vektene når et kvadrat vises i retning av å øke, og i sitt fravær - i retning av å synke. Som et resultat oppnår vi et unikt utvalg av verdier av vektkoeffisienter i systemet for enhver variant av utseendet til et kvadrat, og i fremtiden kan vi bruke det til å gjenkjenne firkanter. Til tross for dens primitivitet sammenlignet med moderne datamaskiner, kunne Mark-1 gjenkjenne ikke bare geometriske former, men også alfabetets bokstaver og skrevet i forskjellige håndskrifter. Så skifter vi objekter en etter en og justerer vektene når et kvadrat vises i retning av å øke, og i sitt fravær - i retning av å synke. Som et resultat oppnår vi et unikt utvalg av verdier av vektkoeffisienter i systemet for enhver variant av utseendet til et kvadrat, og i fremtiden kan vi bruke det til å gjenkjenne firkanter. Til tross for dens primitivitet sammenlignet med moderne datamaskiner, kunne "Mark-1" gjenkjenne ikke bare geometriske former, men også alfabetets bokstaver, og skrevet i forskjellige håndskrifter. Så skifter vi objekter en etter en og justerer vektene når et kvadrat vises i retning av å øke, og i sitt fravær - i retning av å synke. Som et resultat oppnår vi et unikt utvalg av verdier av vektkoeffisienter i systemet for enhver variant av utseendet til et kvadrat, og i fremtiden kan vi bruke det til å gjenkjenne firkanter. Til tross for dens primitivitet sammenlignet med moderne datamaskiner, kunne "Mark-1" gjenkjenne ikke bare geometriske former, men også alfabetets bokstaver, og skrevet i forskjellige håndskrifter. Som et resultat oppnår vi et unikt utvalg av verdier av vektkoeffisienter i systemet for enhver variant av utseendet til et kvadrat, og i fremtiden kan vi bruke det til å gjenkjenne firkanter. Til tross for dens primitivitet sammenlignet med moderne datamaskiner, kunne "Mark-1" gjenkjenne ikke bare geometriske former, men også alfabetets bokstaver, og skrevet i forskjellige håndskrifter. Som et resultat oppnår vi et unikt utvalg av verdier av vektkoeffisienter i systemet for enhver variant av utseendet til et kvadrat, og i fremtiden kan vi bruke det til å gjenkjenne firkanter. Til tross for dens primitivitet sammenlignet med moderne datamaskiner, kunne "Mark-1" gjenkjenne ikke bare geometriske former, men også alfabetets bokstaver, og skrevet i forskjellige håndskrifter.
SMARTTING
Selvfølgelig har mange flere komplekse kretsløp, algoritmer og varianter av perceptroner dukket opp siden den gang. Likevel har denne tilnærmingen til å organisere en nevrale nettverksmodell grunnleggende begrensninger: For eksempel er perceptroner maktesløse for å løse problemet med å dele en figur i separate deler eller bestemme den relative stillingen til figurer.
Da det ble klart at det var umulig å bygge kunstig intelligens basert på perpersoner, falt interessen for dem. Ikke desto mindre dukket det opp tidlig på 1980-tallet nye varianter av selvlæring og selvorganiserende nevrale nettverk: Hopfield-nettverket, Hemming-nettverket, Kohonen-nettverket, Jordan-nettverket og andre. I 1986 skjedde en slags revolusjon: sovjetiske og amerikanske forskere utviklet en backpropagation-metode (iterativ gradientalgoritme), som gjorde det mulig å overvinne tidligere oppdagede begrensninger. Etter det fikk nevrale nettverk rask utvikling, som umiddelbart ble implementert i anvendte dataprogrammer.
Moderne programvarepakker bygget på basis av kunstige nevrale nettverk er i stand til å gjenkjenne vilkårlig komplekse tekster, lydkommandoer, ansikter, gester og ansiktsuttrykk. Imidlertid er dette bare de enkleste brukstilfellene, det er også mer uvanlige. Selvlærende autopiloter som er i stand til å svare på utviklingen av katastrofale situasjoner tidligere enn piloter. Byt inspektører som identifiserer mistenkelige transaksjoner i aksjemarkedene. Nettverksannonseagenter som sporer preferansene til potensielle kunder. Medisinske diagnoser som bestemmer patologier hos spedbarn.
Det er tydelig at når informasjonsteknologien forbedres, vil nevrale nettverk også bli mer komplekse. De vil administrere alle husholdningsapparater og livsstøtte til hjem, fabrikker og supermarkeder. De kan overvåke trusler, analysere trender og gi råd, for eksempel om optimal investering av penger. De vil til og med kunne lage kunstgjenstander: det er allerede malerier og dikt skrevet av nevrale nettverk!
SLAVERI ELLER VENNESKAP?
Faktisk går alt til at et nevralt nettverk en dag vil bli en uerstattelig assistent i tusen store og små saker. Futurister frykter dette. De tror at kvantitet på et tidspunkt vil bli til kvalitet, kunstig intelligens vil oppstå i nevrale nettverk, som umiddelbart vil utfordre menneskeheten og ødelegge den. Et annet alternativ er også mulig - mennesker vil bli så avhengige av beslutningene som tas av nevrale nettverk at de selv ikke vil legge merke til hvordan de vil bli til slaver.
Skumle scenarier som disse virker for rare. Faktum er at nevrale nettverk opprinnelig er strukturert for å tilpasse seg behovene til en bestemt person eller en gruppe mennesker. De kan hjelpe med å rette opp en feil eller gi råd, fremheve et problem eller legge merke til et bedrag, men de er ikke selv i stand til å ta et valg mellom likeverdige alternativer, fordi vi (dessverre eller heldigvis) ikke vil være i stand til å lære dem det viktigste - moral. Derfor vil nevrale nettverk til enhver tid være som hushunder - lydige, lojale og vennlige.
Anton Pervushin
