U posljednje vrijeme sve su češća objava o izgledima za pojavu umjetne inteligencije. Raspravlja se o praktičnim i moralno-etičkim aspektima suživota čovječanstva s njim. Koliko su pravovremene te rasprave? Možemo li stvarno očekivati pojavu "razmišljajućih strojeva"?
Svi projekti stvaranja umjetne inteligencije mogu se otprilike podijeliti u dva područja. Prvo je nakupljanje baza podataka i njihova obrada programima koji oponašaju aktivnost ljudskog mozga. Drugi se temelji na proučavanju modela intelektualnog ponašanja. Ključni nedostatak oboje je to što još uvijek ne znamo dovoljno dobro što su um i intelektualno ponašanje, a ljudski mozak je, iskreno, ozbiljno proučavan relativno nedavno.
Vjeruje se da se problem može zaobići kiborgovima, odnosno spajanjem živog mozga (majmun, a u budućnosti i ljudski) s računalom, međutim, taj je put prepun ogromnih poteškoća, i što je još gore, u ovom slučaju će se puna umjetna inteligencija.
Međutim, znanstvenici smatraju da je sasvim realno preskočiti nekoliko koraka, omogućujući umjetnoj inteligenciji da se razvija samostalno - baš kao što se razvijala u živoj prirodi, s razlikom što će se njegova evolucija odvijati u virtualnom, a ne materijalnom prostoru. Ovdje se oklada stavlja na umjetne neuronske mreže ili neuronske mreže (Umjetna neuronska mreža).
Prisjetimo se što je neuron To je naziv živčane stanice koja se od ostalih stanica razlikuje po tome što je sposobna pohranjivati i prenositi informacije električnim i kemijskim signalima. Funkcija neurona otkrivena je krajem 19. stoljeća, što je, naravno, igralo u rukama materijalista koji su u to vrijeme stekli vlast nad svijetom: odmah su izjavili da su neuroni sadržavali „dušu“. Otuda ideja da ako nekako uzgajate točnu kopiju mozga, tada će se u njemu roditi "duša". No postavilo se filozofsko pitanje: je li moguće govoriti o "duši" bez razloga? Uostalom, to je proizvod odgoja, što pokazuje studija "Mowgli" - ljudske djece koju su odgajale životinje. Prema tome, nije dovoljno stvoriti kopiju mozga - treba ga još „educirati“za stjecanje inteligencije.
TEHNIČKA FINA
Mozak normalne odrasle osobe sadrži otprilike 86 milijardi neurona. Ne tako davno, ideja stvaranja njenog digitalnog analoga činila se apsolutno fantastičnom. Međutim, danas, s razvojem informacijske tehnologije, to se već čini prilično ostvarivim.
Promotivni video:
Treba imati na umu da se poznati američki matematičar Norbert Wiener, "otac" kibernetike, smatra osnivačem teorije modeliranja složenih bioloških procesa, uključujući procese mozga. 1949. kanadski psiholog Donald Hebb, specijalist za proučavanje misaonih procesa, temeljen na Wienerovim proračunima, sastavio je prvi algoritam treninga za neuronske mreže (usput, u jednom trenutku Hebb je služio u CIA-i, gdje se bavio problemom ispiranja mozga).
1957. Amerikanac Frank Rosenblatt, teoretičar umjetne inteligencije, na temelju svog prethodnog rada stvorio je logički dijagram perceptrona - kibernetički model mozga koji se samostalno uči, implementiran tri godine kasnije na temelju elektroničkog računala Mark-1. Receptron odašilje signale iz fotoćelija (senzori, S-ćelije) u blokove elektromehaničkih memorijskih ćelija koje su nasumično povezane. Ako jedna od ćelija primi signal koji prelazi vrijednost praga, tada ga prenosi dalje - na zbrajač (R-element) i s određenim koeficijentom ("težinom" AR-veze). Ovisno o zbroju signala pomnoženom s masenim faktorima, zbrojnik daje jedan od tri moguća rezultata na izlazu cijelog sustava: -1, 0 i +1. Trening perceptrona događa se u fazi uvođenja koeficijenata težine u sustav. Na primjer,ispred fotoćelija stavljamo lik „kvadrata“i postavljamo pravilo: kada se kvadrat pojavi u vidnom polju, perceptron bi trebao dati pozitivan rezultat (+1), a kada se pojavi bilo koji drugi objekt, negativan (-1). Zatim mijenjamo objekte jedan po jedan i podešavamo utege kad se kvadrat pojavi u smjeru povećanja, a u njegovoj odsutnosti - u smjeru opadanja. Kao rezultat, dobivamo jedinstven niz vrijednosti koeficijenata težine unutar sustava za bilo koju varijantu pojavljivanja kvadrata, a u budućnosti ga možemo koristiti za prepoznavanje kvadrata. "Mark-1", unatoč svojoj primitivnosti u usporedbi s modernim računalima, mogao je prepoznati ne samo geometrijske oblike, već i slova abecede i napisane različitim rukopisom.kada se u vidnom polju pojavi kvadrat, perceptron bi trebao dati pozitivan rezultat (+1), a kada se pojavi bilo koji drugi objekt - negativan (-1). Zatim mijenjamo objekte jedan po jedan i podešavamo utege kad se kvadrat pojavi u smjeru povećanja, a u njegovoj odsutnosti - u smjeru opadanja. Kao rezultat, dobivamo jedinstven niz vrijednosti koeficijenata težine unutar sustava za bilo koju varijantu pojavljivanja kvadrata, a u budućnosti ga možemo koristiti za prepoznavanje kvadrata. "Mark-1", unatoč svojoj primitivnosti u usporedbi s modernim računalima, mogao je prepoznati ne samo geometrijske oblike, već i slova abecede i napisane različitim rukopisom.kada se u vidnom polju pojavi kvadrat, perceptron bi trebao dati pozitivan rezultat (+1), a kada se pojavi bilo koji drugi objekt - negativan (-1). Zatim mijenjamo objekte jedan po jedan i podešavamo utege kad se kvadrat pojavi u smjeru povećanja, a u njegovoj odsutnosti - u smjeru opadanja. Kao rezultat, dobivamo jedinstven niz vrijednosti koeficijenata težine unutar sustava za bilo koju varijantu pojavljivanja kvadrata, a u budućnosti ga možemo koristiti za prepoznavanje kvadrata. "Mark-1", unatoč svojoj primitivnosti u usporedbi s modernim računalima, mogao je prepoznati ne samo geometrijske oblike, već i slova abecede i napisane različitim rukopisom. Zatim mijenjamo objekte jedan po jedan i podešavamo utege kad se kvadrat pojavi u smjeru povećanja, a u njegovoj odsutnosti - u smjeru opadanja. Kao rezultat, dobivamo jedinstven niz vrijednosti koeficijenata težine unutar sustava za bilo koju varijantu pojavljivanja kvadrata, a u budućnosti ga možemo koristiti za prepoznavanje kvadrata. "Mark-1", unatoč svojoj primitivnosti u usporedbi s modernim računalima, mogao je prepoznati ne samo geometrijske oblike, već i slova abecede i napisane različitim rukopisom. Zatim mijenjamo objekte jedan po jedan i podešavamo utege kad se kvadrat pojavi u smjeru povećanja, a u njegovoj odsutnosti - u smjeru opadanja. Kao rezultat, dobivamo jedinstven niz vrijednosti koeficijenata težine unutar sustava za bilo koju varijantu pojavljivanja kvadrata, a u budućnosti ga možemo koristiti za prepoznavanje kvadrata. "Mark-1", unatoč svojoj primitivnosti u usporedbi s modernim računalima, mogao je prepoznati ne samo geometrijske oblike, već i slova abecede i napisane različitim rukopisom. Kao rezultat, dobivamo jedinstven niz vrijednosti koeficijenata težine unutar sustava za bilo koju varijantu pojavljivanja kvadrata, a u budućnosti ga možemo koristiti za prepoznavanje kvadrata. "Mark-1", unatoč svojoj primitivnosti u usporedbi s modernim računalima, mogao je prepoznati ne samo geometrijske oblike, već i slova abecede i napisane različitim rukopisom. Kao rezultat, dobivamo jedinstven niz vrijednosti koeficijenata težine unutar sustava za bilo koju varijantu pojavljivanja kvadrata, a u budućnosti ga možemo koristiti za prepoznavanje kvadrata. "Mark-1", unatoč svojoj primitivnosti u usporedbi s modernim računalima, mogao je prepoznati ne samo geometrijske oblike, već i slova abecede i napisane različitim rukopisom.
PAMETNE STVARI
Naravno, od tada su se pojavili mnogo složeniji sklopovi, algoritmi i varijante perceptrona. Ipak, ovaj pristup organiziranju modela neuronske mreže ima temeljna ograničenja: na primjer, perceptroni su nemoćni riješiti problem dijeljenja figure na zasebne dijelove ili određivanja relativnog položaja figura.
Kad je postalo jasno da je nemoguće izgraditi umjetnu inteligenciju na temelju perceptrona, zanimanje za njih je propalo. Ipak, početkom 1980-ih pojavile su se nove varijante samo-učenja i samoorganiziranja neuronskih mreža: Hopfield mreža, Hemming mreža, mreža Kohonen, Jordan, i druge. Godine 1986. dogodila se svojevrsna revolucija: sovjetski i američki znanstvenici razvili su metodu povratnog širenja (iterativni gradijentni algoritam) koja je omogućila prevladavanje prethodno otkrivenih ograničenja. Nakon toga, neuronske mreže dobile su brzi razvoj, koji je odmah implementiran u primijenjene računalne programe.
Moderni softverski paketi izgrađeni na temelju umjetnih neuronskih mreža sposobni su prepoznati proizvoljno složene tekstove, zvučne naredbe, lica, geste i izraze lica. Međutim, ovo su samo najjednostavniji slučajevi upotrebe, postoje i više neobičnih. Autopiloti koji se sami uče, sposobni su odgovoriti na razvoj katastrofalnih situacija ranije od pilota. Burzni inspektori identificiraju sumnjive transakcije na burzama. Agenti mrežnih oglasa koji prate sklonosti potencijalnih kupaca. Medicinski dijagnostičari koji utvrđuju patologije u dojenčadi.
Jasno je da će se, kako se informacijske tehnologije poboljšavaju, neuronske mreže također postajati složenije. Upravljat će svim kućanskim aparatima i životnom podrškom kućama, tvornicama i supermarketima. Oni mogu pratiti prijetnje, analizirati trendove i davati savjete, na primjer, o optimalnom ulaganju novca. Čak će moći stvarati umjetničke predmete: već postoje slike i pjesme koje su napisale neuronske mreže!
SLAVIJA ILI PRIJATELJSTVO?
U stvari, sve ide u činjenicu da će neuronska mreža jednog dana postati nezamjenjivi pomoćnik u tisuću velikih i malih stvari. Futuristi se toga boje. Vjeruju da će se u nekom trenutku količina pretvoriti u kvalitetu, u neuronskim mrežama će se pojaviti umjetna inteligencija, koja će odmah izazvati čovječanstvo i uništiti ga. Moguća je i druga opcija - ljudi će postati toliko ovisni o odlukama koje donosi neuronska mreža da sami neće primijetiti kako će se pretvoriti u njene robove.
Strašni scenariji poput ovih izgledaju previše čudno. Činjenica je da su neuronske mreže u početku strukturirane tako da se prilagođavaju potrebama određene osobe ili skupine ljudi. Oni mogu pomoći ispraviti pogrešku ili dati savjet, istaknuti problem ili primijetiti prijevaru, ali sami nisu u mogućnosti donijeti izbor između ekvivalentnih opcija, jer ih mi (nažalost ili srećom) nećemo moći naučiti glavnoj stvari - moralu. Stoga će u svakom trenutku neuronske mreže biti poput domaćih pasa - poslušne, odane i prijateljske.
Anton Pervušin