V poslední době se častěji objevují publikace o vyhlídkách na vznik umělé inteligence. Jsou diskutovány praktické a morálně-etické aspekty koexistence lidstva s ním. Jak jsou tyto diskuse aktuální? Můžeme opravdu očekávat, že se objeví „myslící stroje“?
Všechny projekty na vytvoření umělé inteligence lze zhruba rozdělit do dvou oblastí. Prvním je hromadění databází a jejich zpracování programy, které napodobují činnost lidského mozku. Druhý je založen na studiu modelů intelektuálního chování. Klíčovou nevýhodou obou je to, že stále ještě nevíme, co je to mysl a intelektuální chování, a lidský mozek, upřímně řečeno, byl v poslední době seriózně studován.
Existuje názor, že problém lze obejít kvůli kyborgům, tj. Fúzováním živého mozku (lidoop, a v budoucnosti - člověka) s počítačem, ale tato cesta je plná obrovských obtíží, a co je ještě horší, v tomto případě nebude možné mluvit o plná umělá inteligence.
Vědci se však domnívají, že je docela realistické přeskočit několik kroků, což umožňuje umělé inteligenci rozvíjet se nezávisle - stejně jako se vyvíjelo v živé přírodě, s tím rozdílem, že k jejímu vývoji dojde ve virtuálním, nikoli hmotném prostoru. Zde je sázka umístěna na umělých neuronových sítích nebo neuronových sítích (Artificial Neural Network).
Vzpomeňme si, co je to neuron. Toto je název nervové buňky, která se liší od ostatních buněk tím, že je schopna ukládat a přenášet informace pomocí elektrických a chemických signálů. Funkce neuronů byla objevena na konci 19. století, které samozřejmě hrálo do rukou materialistů, kteří v té době získali autoritu na celém světě: okamžitě vyhlásili, že jsou to „neurony“, které obsahovaly „duši“. Proto myšlenka, že pokud nějakým způsobem pěstujete přesnou kopii mozku, se v ní zrodí „duše“. Vznikla však filosofická otázka: je možné mluvit o „duši“bez důvodu? Koneckonců, je to produkt výchovy, jak ukazuje studie „Mowgli“- lidské děti vychované zvířaty. Nestačí tedy vytvořit kopii mozku - pro získání inteligence je stále třeba "vzdělaný".
TECHNICKÝ JEM
Mozek normálního dospělého člověka obsahuje přibližně 86 miliard neuronů. Není to tak dávno, myšlenka vytvoření digitálního analogu se zdála naprosto fantastická. Dnes se však s rozvojem informačních technologií to zdá docela dosažitelné.
Propagační video:
Je třeba si uvědomit, že slavný americký matematik Norbert Wiener, „otec“kybernetiky, je považován za zakladatele teorie modelování komplexních biologických procesů, včetně mozkových procesů. V roce 1949 kanadský psycholog Donald Hebb, specialista na studium procesů myšlení, založený na Wienerových výpočtech, sestavil první algoritmus výcviku neuronových sítí (mimochodem, Hebb najednou sloužil v CIA, kde se zabýval problémem vymývání mozků).
V roce 1957 vytvořil americký Frank Rosenblatt, teoretik umělé inteligence, na základě své předchozí práce logický diagram perceptronu - samoučící se kybernetický model mozku, který byl implementován o tři roky později na základě elektronického počítače Mark-1. Perceptron přenáší signály z fotobuněk (senzory, S-buňky) do bloků elektromechanických paměťových buněk, které jsou náhodně spojeny. Pokud jedna z buněk přijme signál přesahující prahovou hodnotu, pak ji vysílá dále - do sčítače (prvek R) a s určitým koeficientem („hmotnost“AR-spojení). V závislosti na součtu signálu vynásobeného váhovými faktory vydává sčítač jeden ze tří možných výsledků na výstup celého systému: -1, 0 a +1. Výcvik perceptronu probíhá ve fázi zavádění váhových koeficientů do systému. Například,před fotobuňky umístíme „čtvercovou“postavu a nastavíme pravidlo: Když se v zorném poli objeví čtverec, měl by perceptron dát pozitivní výsledek (+1) a když se objeví jakýkoli jiný objekt, záporný (-1). Potom postupně měníme objekty a upravujeme závaží, když se objeví čtverec ve směru zvyšování a v jeho nepřítomnosti - ve směru klesání. Výsledkem je, že získáme jedinečné pole hodnot váhových koeficientů v systému pro každou variantu vzhledu čtverce a v budoucnu ji můžeme použít k rozpoznávání čtverců. „Mark-1“, i přes svou primitivnost ve srovnání s moderními počítači, dokázal rozeznat nejen geometrické tvary, ale také písmena abecedy a psané různými rukopisy. Když se v zorném poli objeví čtverec, měl by perceptron dát pozitivní výsledek (+1) a když se objeví jakýkoli jiný objekt - záporný (-1). Potom postupně měníme objekty a upravujeme závaží, když se objeví čtverec ve směru zvyšování a v jeho nepřítomnosti - ve směru klesání. Výsledkem je, že získáme jedinečné pole hodnot váhových koeficientů v systému pro každou variantu vzhledu čtverce a v budoucnu ji můžeme použít k rozpoznávání čtverců. „Mark-1“, navzdory své primitivnosti ve srovnání s moderními počítači, dokázal rozeznat nejen geometrické tvary, ale také písmena abecedy a psané různými rukopisy. Když se v zorném poli objeví čtverec, měl by perceptron dát pozitivní výsledek (+1) a když se objeví jakýkoli jiný objekt - záporný (-1). Potom postupně měníme objekty a upravujeme závaží, když se objeví čtverec ve směru zvyšování a v jeho nepřítomnosti - ve směru klesání. Výsledkem je, že získáme jedinečné pole hodnot váhových koeficientů v systému pro každou variantu vzhledu čtverce a v budoucnu ji můžeme použít k rozpoznávání čtverců. „Mark-1“, i přes svou primitivnost ve srovnání s moderními počítači, dokázal rozeznat nejen geometrické tvary, ale také písmena abecedy a psané různými rukopisy. Potom postupně měníme objekty a upravujeme závaží, když se objeví čtverec ve směru zvyšování a v jeho nepřítomnosti - ve směru klesání. Výsledkem je, že získáme jedinečné pole hodnot váhových koeficientů v systému pro každou variantu vzhledu čtverce a v budoucnu ji můžeme použít k rozpoznávání čtverců. „Mark-1“, i přes svou primitivnost ve srovnání s moderními počítači, dokázal rozeznat nejen geometrické tvary, ale také písmena abecedy a psané různými rukopisy. Potom postupně měníme objekty a upravujeme závaží, když se objeví čtverec ve směru zvyšování a v jeho nepřítomnosti - ve směru klesání. Výsledkem je, že získáme jedinečné pole hodnot váhových koeficientů v systému pro každou variantu vzhledu čtverce a v budoucnu ji můžeme použít k rozpoznávání čtverců. „Mark-1“, i přes svou primitivnost ve srovnání s moderními počítači, dokázal rozeznat nejen geometrické tvary, ale také písmena abecedy a psané různými rukopisy. Výsledkem je, že získáme jedinečné pole hodnot váhových koeficientů v systému pro každou variantu vzhledu čtverce a v budoucnu ji můžeme použít k rozpoznávání čtverců. „Mark-1“, i přes svou primitivnost ve srovnání s moderními počítači, dokázal rozeznat nejen geometrické tvary, ale také písmena abecedy a psané různými rukopisy. Výsledkem je, že získáme jedinečné pole hodnot váhových koeficientů v systému pro každou variantu vzhledu čtverce a v budoucnu ji můžeme použít k rozpoznávání čtverců. „Mark-1“, navzdory své primitivnosti ve srovnání s moderními počítači, dokázal rozeznat nejen geometrické tvary, ale také písmena abecedy a psané různými rukopisy.
SMART THINGS
Od té doby se samozřejmě objevilo mnohem složitější obvody, algoritmy a varianty perceptronů. Tento přístup k uspořádání modelu neuronové sítě má nicméně základní omezení: například perceptrony jsou bezmocné, aby vyřešily problém rozdělení postavy na samostatné části nebo stanovení relativní polohy postav.
Když bylo jasné, že není možné vybudovat umělou inteligenci založenou na perceptronech, poklesl zájem o ně. Na počátku osmdesátých let se však objevily nové varianty samoučících se a organizujících se neuronových sítí: Hopfieldova síť, Hemmingova síť, Kohonenova síť, Jordanova síť a další. V roce 1986 došlo k revoluci: sovětští a američtí vědci vyvinuli metodu backpropagation (algoritmus iteračního gradientu), která umožnila překonat dříve objevená omezení. Poté nervové sítě získaly rychlý rozvoj, který byl okamžitě implementován do aplikovaných počítačových programů.
Moderní softwarové balíčky postavené na bázi umělých neuronových sítí jsou schopny rozpoznávat libovolně složité texty, zvukové příkazy, tváře, gesta a výrazy obličeje. Jedná se však pouze o nejjednodušší případy použití, existují také neobvyklé případy. Samoučící se autopiloti schopni reagovat na vývoj katastrofických situací dříve než piloti. Výměnní inspektoři identifikující podezřelé transakce na akciových trzích. Síťoví reklamní agenti, kteří sledují preference potenciálních zákazníků. Lékařští diagnostici stanovení patologií u kojenců.
Je zřejmé, že jak se informační technologie zlepšují, budou neuronové sítě také složitější. Budou spravovat všechny domácí spotřebiče a podporu života domů, továren a supermarketů. Mohou monitorovat hrozby, analyzovat trendy a radit například o optimální investici peněz. Budou dokonce schopni vytvářet umělecké předměty: již existují obrazy a básně napsané neuronovými sítěmi!
PORUŠENÍ NEBO PŘÁTELÉ?
Ve skutečnosti jde vše o skutečnost, že neuronová síť se jednou stane nenahraditelným pomocníkem v tisících velkých a malých záležitostech. Futuristové se toho bojí. Věří, že v určitém okamžiku se kvantita změní v kvalitu, v neuronových sítích vyvstane umělá inteligence, která okamžitě zpochybní lidstvo a zničí jej. Je také možná jiná možnost - lidé budou tak závislí na rozhodnutích neuronové sítě, že si sami nevšimnou, jak se promění v otroky.
Strašidelné scénáře, jako jsou tyto, se zdají příliš divné. Faktem je, že neuronové sítě jsou původně strukturovány tak, aby se přizpůsobily potřebám konkrétní osoby nebo skupiny lidí. Mohou pomoci opravit chybu nebo poskytnout radu, upozornit na problém nebo si všimnout klamání, ale sami si nemohou vybrat mezi rovnocennými možnostmi, protože my (bohužel nebo naštěstí) nebudeme schopni je naučit hlavní věc - morálku. Neuronové sítě proto budou vždy jako domácí psy - poslušné, loajální a přátelské.
Anton Pervushin