Onlangs zijn er vaker publicaties over de vooruitzichten voor de opkomst van kunstmatige intelligentie. De praktische en moreel-ethische aspecten van het samenleven van de mensheid met hem worden besproken. Hoe actueel zijn deze discussies? Kunnen we echt de verschijning van "denkmachines" verwachten?
Alle projecten om kunstmatige intelligentie te creëren, kunnen grofweg in twee gebieden worden verdeeld. De eerste is de accumulatie van databases en hun verwerking door programma's die de activiteit van het menselijk brein imiteren. De tweede is gebaseerd op de studie van modellen van intellectueel gedrag. Het belangrijkste nadeel van beide is dat we nog steeds niet goed genoeg weten wat de geest en het intellectuele gedrag zijn, en eerlijk gezegd is het menselijk brein relatief recentelijk serieus bestudeerd.
Er is een mening dat het probleem kan worden omzeild door cyborgs, dat wil zeggen door een levend brein (aap en in de toekomst een mens) te fuseren met een computer, maar dit pad is beladen met enorme moeilijkheden, en, erger nog, in dit geval zal het onmogelijk zijn om erover te praten volledige kunstmatige intelligentie.
Wetenschappers zijn echter van mening dat het vrij realistisch is om over verschillende stappen te springen, waardoor kunstmatige intelligentie zich onafhankelijk kan ontwikkelen - net zoals het zich in de levende natuur heeft ontwikkeld, met het verschil dat de evolutie ervan zal plaatsvinden in virtuele, niet in materiële ruimte. Hier wordt de weddenschap geplaatst op kunstmatige neurale netwerken of neurale netwerken (Artificial Neural Network).
Laten we onthouden wat een neuron is. Dit is de naam van een zenuwcel, die verschilt van andere cellen doordat hij in staat is informatie op te slaan en te verzenden door middel van elektrische en chemische signalen. De functie van neuronen werd ontdekt aan het einde van de 19e eeuw, wat natuurlijk in de kaart speelde van de materialisten, die op dat moment over de hele wereld autoriteit verwierven: ze verklaarden onmiddellijk dat het neuronen waren die de 'ziel' bevatten. Vandaar het idee dat als je op de een of andere manier een exacte kopie van de hersenen laat groeien, er een 'ziel' in geboren zal worden. Maar er rees een filosofische vraag: is het mogelijk om zonder reden over een 'ziel' te spreken? Het is tenslotte een opvoedingsproduct, zoals blijkt uit de studie van "Mowgli" - menselijke kinderen die door dieren worden grootgebracht. Dienovereenkomstig is het niet genoeg om een kopie van de hersenen te maken - het moet nog steeds worden "opgeleid" om intelligentie te verwerven.
TECHNISCHE FIJN
De hersenen van een normale volwassene bevatten ongeveer 86 miljard neuronen. Nog niet zo lang geleden leek het idee om er een digitale analoog van te maken absoluut fantastisch. Maar vandaag de dag, met de ontwikkeling van informatietechnologie, lijkt dit al redelijk haalbaar.
Promotie video:
Er moet aan worden herinnerd dat de beroemde Amerikaanse wiskundige Norbert Wiener, de "vader" van cybernetica, wordt beschouwd als de grondlegger van de theorie van het modelleren van complexe biologische processen, waaronder hersenprocessen. In 1949 stelde de Canadese psycholoog Donald Hebb, een specialist in de studie van denkprocessen, gebaseerd op de berekeningen van Wiener, het eerste trainingsalgoritme voor neurale netwerken samen (trouwens, ooit diende Hebb bij de CIA, waar hij het probleem van hersenspoeling behandelde).
In 1957 creëerde de Amerikaan Frank Rosenblatt, een theoreticus op het gebied van kunstmatige intelligentie, op basis van zijn eerdere werk een logicaschema van de perceptron - een zelflerend cybernetisch model van de hersenen, dat drie jaar later werd geïmplementeerd op basis van de Mark-1 elektronische computer. De perceptron zendt signalen van fotocellen (sensoren, S-cellen) naar blokken elektromechanische geheugencellen die willekeurig zijn verbonden. Als een van de cellen een signaal ontvangt dat de drempelwaarde overschrijdt, zendt het dit verder - naar de opteller (R-element), en met een bepaalde coëfficiënt ("gewicht" van de AR-verbinding). Afhankelijk van de som van het signaal vermenigvuldigd met de weegfactoren, voert de opteller een van de drie mogelijke resultaten uit naar de uitvoer van het hele systeem: -1, 0 en +1. De training van de perceptron vindt plaats in het stadium van het introduceren van gewichtscoëfficiënten in het systeem. Bijvoorbeeld,we plaatsen een “vierkant” cijfer voor de fotocellen en stellen de regel: wanneer een vierkant verschijnt in het gezichtsveld, moet de perceptron een positief resultaat geven (+1), en wanneer een ander object verschijnt, negatief (-1). Vervolgens veranderen we objecten een voor een en passen we de gewichten aan wanneer een vierkant verschijnt in de richting van toenemend, en bij afwezigheid - in de richting van afname. Als resultaat krijgen we een unieke reeks waarden van gewichtscoëfficiënten binnen het systeem voor elke variant van het uiterlijk van een vierkant, en in de toekomst kunnen we het gebruiken om vierkanten te herkennen. "Mark-1" kon, ondanks zijn primitiviteit in vergelijking met moderne computers, niet alleen geometrische vormen herkennen, maar ook letters van het alfabet, en geschreven in verschillende handschriften.wanneer een vierkant in het gezichtsveld verschijnt, zou de perceptron een positief resultaat moeten geven (+1), en wanneer een ander object verschijnt - negatief (-1). Vervolgens veranderen we objecten een voor een en passen we de gewichten aan wanneer een vierkant verschijnt in de richting van toenemend, en bij afwezigheid - in de richting van afname. Als resultaat krijgen we een unieke reeks waarden van gewichtscoëfficiënten binnen het systeem voor elke variant van het uiterlijk van een vierkant, en in de toekomst kunnen we het gebruiken om vierkanten te herkennen. "Mark-1" kon, ondanks zijn primitiviteit in vergelijking met moderne computers, niet alleen geometrische vormen herkennen, maar ook letters van het alfabet, en geschreven in verschillende handschriften.wanneer een vierkant in het gezichtsveld verschijnt, zou de perceptron een positief resultaat moeten geven (+1), en wanneer een ander object verschijnt - negatief (-1). Vervolgens veranderen we objecten een voor een en passen we de gewichten aan wanneer een vierkant verschijnt in de richting van toenemend, en bij afwezigheid - in de richting van afname. Als resultaat krijgen we een unieke reeks waarden van gewichtscoëfficiënten binnen het systeem voor elke variant van het uiterlijk van een vierkant, en in de toekomst kunnen we het gebruiken om vierkanten te herkennen. "Mark-1" kon, ondanks zijn primitiviteit in vergelijking met moderne computers, niet alleen geometrische vormen herkennen, maar ook letters van het alfabet, en geschreven in verschillende handschriften. Vervolgens veranderen we objecten een voor een en passen we de gewichten aan wanneer een vierkant verschijnt in de richting van toenemend, en bij afwezigheid - in de richting van afname. Als resultaat krijgen we een unieke reeks waarden van gewichtscoëfficiënten binnen het systeem voor elke variant van het uiterlijk van een vierkant, en in de toekomst kunnen we het gebruiken om vierkanten te herkennen. "Mark-1" kon, ondanks zijn primitiviteit in vergelijking met moderne computers, niet alleen geometrische vormen herkennen, maar ook letters van het alfabet, en geschreven in verschillende handschriften. Vervolgens veranderen we objecten een voor een en passen we de gewichten aan wanneer een vierkant verschijnt in de richting van toenemend, en bij afwezigheid - in de richting van afname. Als resultaat krijgen we een unieke reeks waarden van gewichtscoëfficiënten binnen het systeem voor elke variant van het uiterlijk van een vierkant, en in de toekomst kunnen we het gebruiken om vierkanten te herkennen. "Mark-1" kon, ondanks zijn primitiviteit in vergelijking met moderne computers, niet alleen geometrische vormen herkennen, maar ook letters van het alfabet, en geschreven in verschillende handschriften. Als resultaat krijgen we een unieke reeks waarden van gewichtscoëfficiënten binnen het systeem voor elke variant van het uiterlijk van een vierkant, en in de toekomst kunnen we het gebruiken om vierkanten te herkennen. "Mark-1" kon, ondanks zijn primitiviteit in vergelijking met moderne computers, niet alleen geometrische vormen herkennen, maar ook letters van het alfabet, en geschreven in verschillende handschriften. Als resultaat krijgen we een unieke reeks waarden van gewichtscoëfficiënten binnen het systeem voor elke variant van het uiterlijk van een vierkant, en in de toekomst kunnen we het gebruiken om vierkanten te herkennen. "Mark-1" kon, ondanks zijn primitiviteit in vergelijking met moderne computers, niet alleen geometrische vormen herkennen, maar ook letters van het alfabet, en geschreven in verschillende handschriften.
SLIMME DINGEN
Sindsdien zijn er natuurlijk veel complexere circuits, algoritmen en varianten van perceptrons opgekomen. Desalniettemin heeft deze benadering van het organiseren van een neuraal netwerkmodel fundamentele beperkingen: perceptrons zijn bijvoorbeeld niet in staat om het probleem op te lossen van het opdelen van een figuur in afzonderlijke delen of het bepalen van de relatieve positie van figuren.
Toen duidelijk werd dat het onmogelijk was om kunstmatige intelligentie te bouwen op basis van perceptrons, viel de interesse ervoor. Niettemin verschenen begin jaren tachtig nieuwe varianten van zelflerende en zelforganiserende neurale netwerken: het Hopfield-netwerk, het Hemming-netwerk, het Kohonen-netwerk, het Jordan-netwerk en andere. In 1986 vond er een soort revolutie plaats: Sovjet- en Amerikaanse wetenschappers ontwikkelden een backpropagation-methode (iteratief gradiëntalgoritme), waarmee eerder ontdekte beperkingen konden worden overwonnen. Daarna kregen neurale netwerken een snelle ontwikkeling, die onmiddellijk werd geïmplementeerd in toegepaste computerprogramma's.
Moderne softwarepakketten die zijn gebouwd op basis van kunstmatige neurale netwerken zijn in staat om willekeurig complexe teksten, geluidscommando's, gezichten, gebaren en gezichtsuitdrukkingen te herkennen. Dit zijn echter alleen de eenvoudigste use-cases, er zijn ook meer ongebruikelijke. Zelflerende stuurautomaten die eerder kunnen reageren op de ontwikkeling van catastrofale situaties dan piloten. Uitwisselingsinspecteurs die verdachte transacties op de aandelenmarkten identificeren. Netwerkadvertentiemedewerkers die de voorkeuren van potentiële klanten volgen. Medische diagnostici die pathologieën bij zuigelingen bepalen.
Het is duidelijk dat naarmate de informatietechnologieën verbeteren, neurale netwerken ook complexer zullen worden. Ze zullen alle huishoudelijke apparaten en levensonderhoud voor huizen, fabrieken en supermarkten beheren. Ze kunnen dreigingen monitoren, trends analyseren en advies geven over bijvoorbeeld het optimaal investeren van geld. Ze zullen zelfs kunstvoorwerpen kunnen maken: er zijn al schilderijen en gedichten geschreven door neurale netwerken!
SLAVERNIJ OF VRIENDSCHAP?
In feite komt alles erop neer dat een neuraal netwerk ooit een onvervangbare assistent zal worden in duizend grote en kleine zaken. Futuristen vrezen dit. Ze geloven dat kwantiteit op een gegeven moment in kwaliteit zal veranderen, kunstmatige intelligentie zal ontstaan in neurale netwerken, die de mensheid onmiddellijk uitdagen en vernietigen. Een andere optie is ook mogelijk: mensen worden zo afhankelijk van de beslissingen die door het neurale netwerk worden genomen dat ze zelf niet merken hoe ze in zijn slaven veranderen.
Enge scenario's zoals deze lijken te raar. Feit is dat neurale netwerken aanvankelijk gestructureerd zijn om zich aan te passen aan de behoeften van een bepaalde persoon of groep mensen. Ze kunnen helpen een fout te corrigeren of advies te geven, een probleem aan de kaak te stellen of een bedrog op te merken, maar ze zijn zelf niet in staat om een keuze te maken tussen gelijkwaardige opties, omdat we (helaas of gelukkig) niet in staat zullen zijn om hen het belangrijkste te leren: moraliteit. Daarom zullen neurale netwerken te allen tijde als gedomesticeerde honden zijn - gehoorzaam, loyaal en vriendelijk.
Anton Pervushin
