Есть мнение, что мир стоит на пороге создания общего искусственного интеллекта (от англ. Artificial General Intelligence), способного мыслить и действовать как обычный человек. По данным агрегатора прогнозов Metaculus, эта технология может появиться уже в 2034 году.
Выпускник курса «Копирайтер» Нетологии Дмитрий Магонин разобрался, действительно ли мы близки к появлению сознательных машин, где проходит граница искусственного интеллекта и чего нам ждать от AI в 2023 году.
За помощь в подготовке материала благодарим Ивана Родина, постдок-исследователя университета Катании и эксперта Нетологии.
Что такое искусственный интеллект и какие компоненты его составляют
Искусственный интеллект — это способность компьютерных систем выполнять интеллектуальные и творческие функции, которые традиционно считаются человеческими.
Это определение, как и сам термин ИИ, было впервые озвучено в 1956 году на летнем семинаре в Дартмутском колледже, который организовали четверо американских учёных: Джон Маккарти, Марвин Ли Минский, Натаниэль Рочестер и Клод Шеннон. С тех пор понятие стало настолько популярным, что редко можно встретить человека, который о нём не слышал.
Сегодня технологии искусственного интеллекта используют в смартфонах, системах умных домов, медицине, образовании и промышленности. Однако эти разработки не могут в полной мере заменить человека: ИИ не обладает той же многозадачностью, в которой может работать человеческий мозг.
Чтобы понять, как устроен искусственный интеллект, рассмотрим элементы, которые необходимы для его создания ↓
Большие данные (от англ. Big Data) нужны для развития ИИ. Это база для глубокого обучения нейросетей.
Анализ больших данных (от англ. Data Mining) позволяет находить полезные и доступные решения в различных сферах человеческой деятельности. Мобильные устройства, облачные вычисления и интернет вещей расширяют экосистему больших данных, давая новые возможности для извлечения полезных знаний, выявления тенденций и настройки алгоритмов.
Искусственная нейронная сеть (ИНС) — система соединённых и взаимодействующих между собой простых блоков математических операций, моделирующих искусственные нейроны. В целом модель искусственной нейросети имитирует принципы сетей нервных клеток мозга живого организма. Такие системы не программируются в привычном смысле этого слова — они обучаются. Наибольшее применение нейронные сети нашли в программных приложениях, которые трудно выразить традиционным компьютерным алгоритмом, написанным на основе правил. Например, для работы с изображениями, видео, текстом и звуком.
Принцип работы нейросети можно рассмотреть на примере обучения простой модели, которая имеет архитектуру перцептрона.
Перцептрон — математическая или компьютерная модель восприятия информации мозгом.
Перед нами задача классификации изображений, когда нейросеть присваивает метки картинкам после идентификации изображённых на них объектов. Такие примеры решаются по принципу «обучение с учителем»: для тренировки модели нужно собрать полный набор размеченных изображений.
В процессе обучения с S-элементов нейросети на А-элементы из обучающего датасета поступает изображение объекта — например, кошки. Сигнал преобразуется и передаётся дальше на R-элементы нейросети — те, что, по сути, делают предсказание. Полученное предсказание сравнивается с разметкой эталона.
Все элементы перцептрона связаны между собой, и у каждой связи есть вес — число, отвечающее за то, каким образом сигнал будет преобразован. Если в процессе обучения предсказание нейросети будет отличаться от эталонной разметки, веса нейросети изменятся так, чтобы в следующий раз предсказание для этой картинки было корректным. Соответственно, во время обучения веса нейронов автоматически меняются и балансируются по особым алгоритмам. Впоследствии, если обучение прошло хорошо, полученную нейросеть с выученным набором весов можно будет использовать для классификации новых изображений, которые не вошли в обучающий датасет.
Этот пример — сильно упрощённая модель как искусственной нейронной сети, так и биологической нейросети человека или животного. Архитектуры и топологии современных глубинных ИНС гораздо сложнее и масштабнее. Они имеют множественные слои ассоциативных элементов, способных структурировать и ранжировать информацию. Эти сети создают многоуровневые композиции из примитивных данных, которые позволяют моделировать сложные, нелинейные отношения.
Комбинируя различные виды архитектур ИНС, инженеры создают многокомпонентные системы для различных задач. Быстрее всего развиваются такие области, как компьютерное зрение, распознавание речи и аудио, обработка естественного языка, биоинформатика, генерация изображений, текстов и машинного кода.
Методы машинного обучения помогают компьютеру учиться решать задачи на основе множества примеров. После обучения машина способна решать те же задачи на новых данных, которые не видела в процессе анализа.
Например, чтобы научить систему распознавать изображения, специалисты используют большой массив изображений — датасет, с описанием, или разметкой, представленных на них объектов: человек, кошка, автомобиль и так далее. После загрузки массива картинок, по мере анализа полученной информации, программа учится самостоятельно идентифицировать объекты. Связь между нейронами, которые привели к правильному ответу, усиливается, а к неправильному — ослабляется. После многократных итераций сеть создаёт правильные нейронные соединения — в этот момент можно сказать, что система научилась верно решать задачу.
Насколько искусственный интеллект приблизился к человеческому
Искусственный интеллект уже решает множество задач, на выполнение которых у людей ушли бы тысячи часов: обыгрывает шахматных гроссмейстеров, выявляет переломы на рентгеновских снимках, выбирает самый быстрый маршрут для грузовика доставки, проводит тестирование компьютерных программ с экрана. При этом у ИИ из-за отсутствия какой-либо субъектности нет понимания того, как он выполняет эти задачи.
Чтобы понять, на каком уровне сознания сейчас находится ИИ, нужно рассмотреть принцип работы интеллекта человека. Здесь можно выделить основные этапы:
Получение информации и первичная обработка данных.
Сортировка информации по блокам и обобщение.
Построение выводов и прогнозирование будущего.
Построение общей картины мира.
Субъектность, рефлексия, мотивировка принятия решений.
Если взять систему ИИ для беспилотных авто, каждый из этапов можно было бы охарактеризовать следующим образом:
Первичная обработка видео и лидар-сигналов (от англ. LiDAR — Light Detection
and Ranging, «обнаружение и определение дальности с помощью света»), определение расстояния до ближайших объектов.
Выделение и распознание объектов: пешеходов, автомобилей, дорожных знаков.
Предсказание поведения других участников дорожного движения.
Моделирование нестандартных ситуаций: например, если у светофора горят все три
секции, нужно понять, что тот неисправен, и принять все меры предосторожности на перекрёстке.
Осознание собственного я: «Зачем я еду из пункта А в пункт Б?», «Почему между
вариантами „наехать на пешехода“ и „поцарапать машину о столб“ надо выбрать второе?»
Сегодня ИИ полностью освоил пункты 1 и 2 и частично реализовал пункт 3, усиленно развиваясь в этом направлении.
С пунктами 4 и 5 всё гораздо сложнее, поскольку их реализация выходит за границы бесхитростной логики машины. Здесь начинают играть такие понятия, как осознание своей личности и эго, бессознательное, эмоции, чувства. Та удивительная смесь индивидуальной биохимии, личного жизненного опыта и его интерпретации, которая делает нас теми, кем мы являемся — людьми в полном понимании этого слова.
Компьютерный интеллект, в отличие от человеческого мышления, не связан с эмоциями и особенностями личности. Да, системы на основе ИИ способны понимать и синтезировать речь, решать и действовать. Однако эти решения и действия не имеют никакой эмоциональной окраски — они основаны только на результатах обработки информации.
Можно с уверенностью сказать, что сегодня ИИ — это всего лишь множество интеллектуальных систем и их комбинаций, способных решать конкретные задачи: рисовать, водить автомобиль, проводить тестирование компьютерной программы или даже писать довольно крупные фрагменты кода. Однако о появлении общего искусственного интеллекта, обладающего разумом и самосознанием, пока говорить рано. Поэтому в противовес термину «общий ИИ» используется «слабый ИИ», чтобы обозначить технологию, которая пусть и может справляться с отдельными задачами лучше человека, но не обладает сознанием и не способна сравниться с интеллектом человека на широком спектре задач.
Технически современная наука может создать модель ИНС, которая по количеству нейронов будет сравнима с нейронной сетью кошки. Но мозг — это не просто массив отдельных нейронов, имеющих связь друг с другом. Это сложная динамическая система — её рабочие процессы до сих пор изучены далеко не полностью. Это же можно сказать и про сознание, многие принципы которого до сих пор неизвестны. Так что даже сознание кошки — цель для современного ИИ пока недостижимая. И выступает он сегодня только в качестве помощника, которые берёт на себя множество рутинных задач, требующих обработки больших массивов данных.
Одно из перспективных направлений в области развития ИИ — метод, согласно которому нейронная сеть самостоятельно исследует процесс создания искусственного интеллекта и вносит изменения в алгоритмы кода. Это позволяет ей не только изучать, но и улучшать свою топологию и архитектуру.
Один из ярких примеров этого способа — AutoML, проект компании Google, который использует автоматическое машинное обучение своих нейросетей. В процессе обучения ИНС сама подбирает алгоритмы, наиболее подходящие для выполнения той или иной задачи. Одновременно с этим алгоритмы-подборщики проходят обучение с людьми. Благодаря тому, что машина в единицу времени способна обработать огромные массивы информации и проанализировать миллионы различных вариантов написания кода, процесс обучения и развития ИИ идёт гораздо быстрее, чем если бы это делала группа программистов.
Учёные предполагают, что с учётом видимого роста производительности машин и совершенствования архитектуры нейронных сетей, систему, которая будет наиболее полно имитировать работу человеческого мозга, получится создать в 2030–2035 годах. Такой отдалённый прогноз имеет много условностей — погрешность в сроках довольно велика. Однако и ближайшее будущее ИИ несёт нам много интересных событий.
Профессия- Построите карьеру в анализе данных и обучении нейронных сетей
- Добавите более 14 проектов в портфолио
- Сможете искать работу в новой сфере уже через 8 месяцев обучения
В каких областях развивается искусственный интеллект в 2023 году
В 2023 году правительства и корпорации по всему миру планируют потратить более 500 млрд долларов на развитие искусственного интеллекта. Рассмотрим самые интересные области использования ИИ, на которые стоит обратить внимание.
Генеративный искусственный интеллект
Это направление удивляло нас весь 2022 год. Внезапно оно перевернуло все представления о возможностях ИИ в различных областях: от искусства и поэзии до публицистики и кодинга.
ChatGPT достиг миллиона пользователей всего за неделю. Для сравнения Facebook* потребовалось 10 месяцев, а Instagram* — 2,5 месяца, чтобы прийти к такому результату. По данным OpenAI, около 1,5 млн пользователей используют нейросеть DALL-E для создания 2 млн изображений в день. У Stable Diffusion более 10 млн пользователей, а у MidJourney — 2 млн.
* Facebook и Instagram принадлежат компании Meta, которая признана экстремистской организацией и запрещена в РФ.
Член открытой исследовательской группы Knives and Paintbrushes Майк Кук считает, что генеративный ИИ по-прежнему будет главной движущей силой перемен. Его привлекательность — в способности генерировать новый контент: картины, новости, стихи, фрагменты машинного кода. Нейросети могут генерировать текст, который выглядит и читается так, будто написан человеком.
Ожидается, что в 2023 году генеративный ИИ научится создавать email-рассылки, помогать в разработке маркетинговых концепций, слоганов и брендов, создавать чертежи, концепты промышленных моделей, рекламные материалы. Это позволит людям творить и не тратить годы на приобретение нужных навыков.
Голосовой и языковой искусственный интеллект
Эволюция этого направления ожидается в том числе за счёт больших языковых моделей (от англ. Large Language Models): GPT-3 и GPT-4 от OpenAI, LaMDA от Google и BLOOM от независимого сообщества, в которое входят более тысячи исследователей из 70 стран. Причём бóльший фокус в развитии получат открытые языковые модели, такие как BLOOM. Исследователи и разработчики охотно делятся подробностями о данных, на которых обучалась эта нейросеть, рассказывают о проблемах в её разработке и о том, как они оценивали производительность. OpenAI и Google не делились своим кодом и не делали свои модели общедоступными. Поэтому для сторонних исследователей они остаются неизвестными, поскольку никто не может вывести точные алгоритмы, по которым эти модели обучаются, кроме самих разработчиков.
Объяснимый искусственный интеллект
Это система искусственного интеллекта, действия которой люди могут с лёгкостью понять. Развитие объяснимого ИИ особенно важно в здравоохранении, поскольку большинство современных нейросетей не дают ясного объяснения, почему и каким образом они принимают те или иные решения. Нельзя быть уверенным, что диагностика пациентов будет верной, если алгоритм искусственного интеллекта не обучен надлежащим образом и нет понимания принципов, на основе которых он принимает решение.
Кроме того, для объяснимого ИИ требуется разработать инструменты и методики, позволяющие визуализировать процессы принятия решений ИИ. В медицине такие визуализации помогут врачам понять, как ИИ-системы пришли к своим рекомендациям.
Этика искусственного интеллекта
Роль этики искусственного интеллекта также станет более важным фактором. Искусственный интеллект постоянно тестируют в процессах, связанных с принятием решений. В таких действиях, как обработка резюме, постановка диагнозов, вынесение приговоров, практика показала, что ошибки в обучении нейросети могут приводить к неправильным выводам. За этим следует дискриминация и некорректное обращение с людьми. И это совсем неприемлемо в ситуациях, где ИИ играет роль судьи в вопросах трудоустройства, правосудия или здравоохранения.
Возникает острая необходимость в разработке надёжных этических основ ИИ.Приоритетными принципами должны стать:
- Стремление к справедливости. Крайне важно устранить предвзятость как в обучающих данных, так и в алгоритмах.
- Прозрачность — ещё один основополагающий аспект этики ИИ. Чтобы ИИ был этичным, он должен быть прозрачным. Пользователи и заинтересованные стороны должны иметь доступ к информации о том, как системы ИИ принимают решения. Такая прозрачность не только способствует подотчётности, но и позволяет людям при необходимости оспаривать и подвергать тщательной проверке решения, принимаемые ИИ.
- Подотчётность — при возникновении ошибок или несправедливых результатов в работе систем ИИ должны быть предусмотрены механизмы для выявления виновных и исправления ситуации. Эта ответственность распространяется не только на разработчиков; организации и учреждения, внедряющие системы ИИ, также должны нести ответственность за этические последствия применения ИИ.
Кибербезопасность на основе искусственного интеллекта
По прогнозам экспертов, в 2023 всё больше компаний будут увеличивать затраты на использование искусственного интеллекта в проектах по защите от киберугроз. Нейросети будут анализировать кибератаки, выявляя подозрительные тенденции и закономерности. Этот процесс обещает стать увлекательной и нескончаемой игрой в кошки-мышки, так как киберпреступники тоже будут использовать ИИ для противоправных действий.
Внедрение ИИ в кибербезопасность означает существенные изменения в способах борьбы организаций с киберугрозами. Традиционные меры безопасности часто не успевают за постоянно меняющейся тактикой киберпреступников. В отличие от них, системы на базе искусственного интеллекта демонстрируют впечатляющую способность адаптироваться и учиться на возникающих угрозах, обеспечивая проактивную защиту от потенциальных кибератак.
Виртуальные помощники
Распространение виртуальных помощников уже существенно повлияло на нашу повседневную жизнь. Эти компаньоны, работающие на основе искусственного интеллекта, произвели революцию во взаимодействии с техникой — от смартфонов до устройств типа умного дома.
Можно ожидать, что внедрение виртуальных ассистентов в различные производственные и бизнес-сферы приобретёт ещё больший масштаб. Также планируется активно развивать это направление на горячих линиях в области государственных услуг, муниципального управления, системы здравоохранения.
По данным Statista, в 2023 году прирост голосовых помощников к 2019 составит почти 60%. Предполагается, что боты смогут различать эмоции людей и подстраивать свои алгоритмы под настроение пользователя. Также, вероятнее всего, мы наконец сможем видеть ботов в формате голограммы или умного экрана.
Периферийный ИИ
Периферийный искусственный интеллект также окажется в трендах 2023 года, особенно в области интернета вещей. Это значит, что алгоритмы машинного обучения будут работать непосредственно на наших устройствах: пылесосах, зубных щётках, смартфонах, автомобилях.
Развитие периферийного ИИ позволит обрабатывать данные в течение нескольких миллисекунд, обеспечивая обратную связь в реальном времени. При этом не придётся расходовать время и трафик на пересылку информации в облако и обратно — так, как это было ранее. Конечно, обмен данными между аппаратными устройствами и материнской моделью ИИ необходим: головную модель нужно регулярно обучать с использованием обратной связи от конечных гаджетов. И глубокий анализ этой информации можно провести только в мощной нейросети. Но, по крайней мере, автономность этих устройств вырастет значительно, поскольку теперь речь идёт не о постоянном соединении и обмене данными, а о периодических сеансах связи, которые можно проводить при наличии качественного трафика.
Резюмируем
Искусственный интеллект — способность компьютерных систем имитировать деятельность человеческого мозга. Технологии на его основе всё глубже проникают в нашу жизнь: их применяют в образовательной, медицинской, промышленной, транспортной, бытовой и других сферах.
Для создания искусственного интеллекта необходимы большие данные, их качественная обработка, методы машинного обучения и ИНС.
Системы с ИИ могут решать конкретные задачи: генерировать изображения, водить автомобиль, тестировать компьютерные программы. Однако об искусственном интеллекте, обладающем разумом и самосознанием, говорить пока рано.
В 2023 году особенно быстрое развитие ожидается в сферах генеративного, голосового и языкового, объяснимого и периферийного ИИ. Также в трендах будет вопрос этики искусственного интеллекта и применение технологий на его основе в кибербезопасности.
Мнение автора и редакции может не совпадать. Хотите написать колонку для Нетологии? Читайте наши условия публикации. Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к Телеграм-каналу Нетологии.