Ostatnio coraz częściej pojawiają się publikacje dotyczące perspektyw pojawienia się sztucznej inteligencji. Omówiono praktyczne i moralno-etyczne aspekty współistnienia z nim ludzkości. Jak aktualne są te dyskusje? Czy naprawdę możemy spodziewać się pojawienia się „myślących maszyn”?
Wszystkie projekty tworzenia sztucznej inteligencji można z grubsza podzielić na dwa obszary. Pierwszym jest gromadzenie baz danych i ich przetwarzanie przez programy imitujące aktywność ludzkiego mózgu. Drugi opiera się na badaniu modeli zachowań intelektualnych. Kluczową wadą obu jest to, że wciąż nie wiemy wystarczająco dobrze, czym jest umysł i zachowania intelektualne, a mówiąc szczerze, ludzki mózg został poważnie zbadany stosunkowo niedawno.
Istnieje opinia, że problem można obejść dzięki cyborgom, czyli fuzji żywego mózgu (małpy, aw przyszłości - człowieka) z komputerem, jednak ta ścieżka jest obarczona ogromnymi trudnościami, a co gorsza, w tym przypadku nie da się o tym mówić pełna sztuczna inteligencja.
Jednak naukowcy uważają, że przeskoczenie kilku kroków, pozwalające sztucznej inteligencji na samodzielny rozwój, jest całkiem realistyczne - tak jak rozwinęła się ona w żywej przyrodzie, z tą różnicą, że jej ewolucja będzie odbywać się w przestrzeni wirtualnej, a nie materialnej. Tutaj stawiamy na sztuczne sieci neuronowe lub sieci neuronowe (Artificial Neural Network).
Pamiętajmy, czym jest neuron. To nazwa komórki nerwowej, która różni się od innych komórek tym, że jest zdolna do przechowywania i przesyłania informacji za pomocą sygnałów elektrycznych i chemicznych. Funkcję neuronów odkryto pod koniec XIX wieku, co oczywiście odegrało rolę materialistów, zdobywających wówczas autorytet na całym świecie: natychmiast stwierdzili, że to neurony zawierają „duszę”. Stąd pomysł, że jeśli w jakiś sposób wyhodujesz dokładną kopię mózgu, narodzi się w niej „dusza”. Powstało jednak pytanie filozoficzne: czy można mówić o „duszy” bez powodu? Przecież jest to produkt wychowania, na co wskazują badania „Mowgli” - ludzkich dzieci wychowywanych przez zwierzęta. W związku z tym nie wystarczy stworzyć kopię mózgu - nadal trzeba go „wyedukować”, aby uzyskać inteligencję.
TECHNICZNA DOBRA
Mózg normalnego dorosłego zawiera około 86 miliardów neuronów. Jeszcze nie tak dawno pomysł stworzenia cyfrowego analogu wydawał się absolutnie fantastyczny. Jednak dzisiaj, wraz z rozwojem technologii informatycznych, wydaje się to już całkiem możliwe.
Film promocyjny:
Należy pamiętać, że za twórcę teorii modelowania złożonych procesów biologicznych, w tym mózgowych, uważany jest słynny amerykański matematyk Norbert Wiener, „ojciec” cybernetyki. W 1949 r. Kanadyjski psycholog Donald Hebb, specjalista od badania procesów myślowych na podstawie obliczeń Wienera, skompilował pierwszy algorytm uczący sieci neuronowych (nawiasem mówiąc, kiedyś Hebb służył w CIA, gdzie zajmował się problemem prania mózgu).
W 1957 roku Amerykanin Frank Rosenblatt, teoretyk sztucznej inteligencji, na podstawie swojej wcześniejszej pracy stworzył schemat logiczny perceptronu - samouczącego się cybernetycznego modelu mózgu, który został wdrożony trzy lata później w oparciu o komputer elektroniczny Mark-1. Perceptron przesyła sygnały z fotokomórek (czujników, komórek S) do losowo połączonych bloków elektromechanicznych komórek pamięci. Jeżeli jedna z komórek otrzyma sygnał przekraczający wartość progową, to przesyła go dalej - do sumatora (element R) iz określonym współczynnikiem („wagą” połączenia AR). W zależności od sumy sygnału pomnożonego przez współczynniki wagowe, sumator podaje jeden z trzech możliwych wyników na wyjście całego układu: -1, 0 i +1. Trening perceptronu następuje na etapie wprowadzania do systemu współczynników wagowych. Na przykład,ustawiamy „kwadrat” przed fotokomórkami i ustalamy zasadę: gdy w polu widzenia pojawi się kwadrat, perceptron powinien dać wynik dodatni (+1), a gdy pojawi się inny obiekt - ujemny (-1). Następnie zmieniamy obiekty jeden po drugim i dostosowujemy wagi, gdy kwadrat pojawia się w kierunku zwiększania, aw przypadku jego braku - w kierunku zmniejszania. W efekcie otrzymujemy unikalną tablicę wartości współczynników wagi w ramach systemu dla dowolnego wariantu wyglądu kwadratu, aw przyszłości będziemy ją mogli wykorzystać do rozpoznawania kwadratów. „Mark-1”, pomimo swej prymitywności w porównaniu z nowoczesnymi komputerami, potrafił rozpoznawać nie tylko kształty geometryczne, ale także litery alfabetu i pisane różnymi pismami.gdy w polu widzenia pojawi się kwadrat, perceptron powinien dać wynik dodatni (+1), a gdy pojawi się inny obiekt - ujemny (-1). Następnie zmieniamy obiekty jeden po drugim i dostosowujemy wagi, gdy kwadrat pojawia się w kierunku zwiększania, aw przypadku jego braku - w kierunku zmniejszania. W efekcie otrzymujemy unikalną tablicę wartości współczynników wagi w ramach systemu dla dowolnego wariantu wyglądu kwadratu, aw przyszłości będziemy ją mogli wykorzystać do rozpoznawania kwadratów. „Mark-1”, pomimo swej prymitywności w porównaniu z nowoczesnymi komputerami, potrafił rozpoznawać nie tylko kształty geometryczne, ale także litery alfabetu i pisane różnymi pismami.gdy w polu widzenia pojawi się kwadrat, perceptron powinien dać wynik dodatni (+1), a gdy pojawi się inny obiekt - ujemny (-1). Następnie zmieniamy obiekty jeden po drugim i dostosowujemy wagi, gdy kwadrat pojawia się w kierunku zwiększania, aw przypadku jego braku - w kierunku zmniejszania. W efekcie otrzymujemy unikalną tablicę wartości współczynników wagi w ramach systemu dla dowolnego wariantu wyglądu kwadratu, aw przyszłości będziemy ją mogli wykorzystać do rozpoznawania kwadratów. „Mark-1”, pomimo swej prymitywności w porównaniu z nowoczesnymi komputerami, potrafił rozpoznawać nie tylko kształty geometryczne, ale także litery alfabetu i pisane różnymi pismami. Następnie zmieniamy obiekty jeden po drugim i dostosowujemy wagi, gdy kwadrat pojawia się w kierunku zwiększania, aw przypadku jego braku - w kierunku zmniejszania. W efekcie otrzymujemy unikalną tablicę wartości współczynników wagi w ramach systemu dla dowolnego wariantu wyglądu kwadratu, aw przyszłości będziemy ją mogli wykorzystać do rozpoznawania kwadratów. „Mark-1”, pomimo swej prymitywności w porównaniu z nowoczesnymi komputerami, potrafił rozpoznawać nie tylko kształty geometryczne, ale także litery alfabetu i pisane różnymi pismami. Następnie zmieniamy obiekty jeden po drugim i dostosowujemy wagi, gdy kwadrat pojawia się w kierunku zwiększania, aw przypadku jego braku - w kierunku zmniejszania. W efekcie otrzymujemy unikalną tablicę wartości współczynników wagi w ramach systemu dla dowolnego wariantu wyglądu kwadratu, aw przyszłości będziemy ją mogli wykorzystać do rozpoznawania kwadratów. „Mark-1”, pomimo swej prymitywności w porównaniu z nowoczesnymi komputerami, potrafił rozpoznawać nie tylko kształty geometryczne, ale także litery alfabetu i pisane różnymi pismami. W efekcie otrzymujemy unikalną tablicę wartości współczynników wagi w ramach systemu dla dowolnego wariantu wyglądu kwadratu, aw przyszłości będziemy ją mogli wykorzystać do rozpoznawania kwadratów. „Mark-1”, pomimo swej prymitywności w porównaniu z nowoczesnymi komputerami, potrafił rozpoznawać nie tylko kształty geometryczne, ale także litery alfabetu i pisane różnymi pismami. W efekcie otrzymujemy unikalną tablicę wartości współczynników wagi w ramach systemu dla dowolnego wariantu wyglądu kwadratu, aw przyszłości będziemy ją mogli wykorzystać do rozpoznawania kwadratów. „Mark-1”, pomimo swej prymitywności w porównaniu z nowoczesnymi komputerami, potrafił rozpoznawać nie tylko kształty geometryczne, ale także litery alfabetu i pisane różnymi pismami.
INTELIGENTNE RZECZY
Oczywiście od tego czasu pojawiło się wiele bardziej złożonych obwodów, algorytmów i wariantów perceptronów. Niemniej jednak takie podejście do organizacji modelu sieci neuronowej ma fundamentalne ograniczenia: na przykład perceptrony nie są w stanie rozwiązać problemu podziału figury na oddzielne części lub określenia względnego położenia figur.
Kiedy stało się jasne, że nie da się zbudować sztucznej inteligencji opartej na perceptronach, zainteresowanie nimi spadło. Niemniej jednak na początku lat 80. pojawiły się nowe warianty samouczących się i samoorganizujących się sieci neuronowych: sieć Hopfielda, sieć Hemminga, sieć Kohonena, sieć Jordana i inne. W 1986 roku nastąpiła swego rodzaju rewolucja: naukowcy radzieccy i amerykańscy opracowali metodę wstecznej propagacji (iteracyjny algorytm gradientu), która pozwoliła przezwyciężyć odkryte wcześniej ograniczenia. Następnie sieci neuronowe uzyskały szybki rozwój, który natychmiast został zaimplementowany w stosowanych programach komputerowych.
Nowoczesne pakiety oprogramowania zbudowane w oparciu o sztuczne sieci neuronowe są w stanie rozpoznawać dowolnie złożone teksty, polecenia dźwiękowe, twarze, gesty i mimikę. To jednak tylko najprostsze przypadki użycia, są też bardziej nietypowe. Samouczące się autopiloty zdolne do reagowania na rozwój sytuacji katastroficznych wcześniej niż piloci. Inspektorzy giełdowi identyfikujący podejrzane transakcje na giełdach. Sieciowi agenci reklamowi, którzy śledzą preferencje potencjalnych klientów. Diagnostycy medyczni określający patologie u niemowląt.
Oczywiste jest, że wraz z rozwojem technologii informacyjnych sieci neuronowe staną się również bardziej złożone. Będą zarządzać całym sprzętem AGD i podtrzymaniem życia w domach, fabrykach i supermarketach. Mogą monitorować zagrożenia, analizować trendy i doradzać np. W zakresie optymalnej inwestycji pieniędzy. Będą nawet mogli tworzyć dzieła sztuki: są już obrazy i wiersze napisane przez sieci neuronowe!
Niewolnictwo czy przyjaźń?
W rzeczywistości wszystko sprowadza się do tego, że sieć neuronowa pewnego dnia stanie się niezastąpionym pomocnikiem w tysiącach dużych i małych spraw. Futuryści się tego boją. Wierzą, że w pewnym momencie ilość zamieni się w jakość, w sieciach neuronowych powstanie sztuczna inteligencja, która natychmiast rzuci wyzwanie ludzkości i ją zniszczy. Możliwa jest też inna opcja - ludzie staną się na tyle zależni od decyzji podejmowanych przez sieć neuronową, że sami nie zauważą, jak zamienią się w jej niewolników.
Takie przerażające scenariusze wydają się zbyt dziwne. Faktem jest, że sieci neuronowe są początkowo tak skonstruowane, aby dostosować się do potrzeb konkretnej osoby lub grupy ludzi. Mogą pomóc poprawić błąd lub udzielić porady, wskazać problem lub zauważyć oszustwo, ale sami nie są w stanie dokonać wyboru między równoważnymi opcjami, ponieważ my (niestety lub na szczęście) nie będziemy w stanie nauczyć ich najważniejszej rzeczy - moralności. Dlatego sieci neuronowe przez cały czas będą jak psy domowe - posłuszne, lojalne i przyjazne.
Anton Pervushin