Помоги проекту - поделись книгой:
Хомски развил эту идею в теорию трансформационно-генеративной грамматики, предполагающей использование формальных грамматик для описания правил, встроенных в разные языки, что позволяет их сравнивать. Эта идея доминировала в лингвистике в течение 20 лет, с 1950-х до 1970-х годов, – как раз то время, когда исследователи ИИ начали пытаться заставлять компьютеры обрабатывать слова.
Ранние чат-боты широко использовали теории Хомски, поскольку те позволили разработать четкие и точные правила языка. Нет ничего, что компьютеру нравилось бы больше, чем набор правил, которым нужно следовать. Их объединили с другими технологиями, например экспертными системами, и в результате ИИ научились принимать текстовый ввод, следовать правилам грамматики для извлечения ключевых слов, связывать их и использовать сохраненные знания, а также, вновь следуя правилам грамматики, генерировать в ответ правильно согласованные предложения. Многие чат-боты были созданы (и создаются до сих пор) таким образом, но их легко обмануть. Один из самых простых способов это сделать – говорить в чате случайные слова. Даже если вы сначала предупредите бота о том, что собираетесь сделать, его ответы все равно окажутся бессмысленными.
Хомски показал, что его формальные грамматики могут быть расположены иерархически, от общих к частным. Все формальные грамматики относятся к типу 0, их еще называют неограниченными. Только некоторые из них и принадлежат одновременно и к типу 1, и являются контекстно зависимыми. Они разработаны, чтобы уловить идею, что слово может употребляться в определенном месте в зависимости от контекста. Лишь часть грамматик типа 1 относится также к типу 2. Они не зависят от контекста (это контекстно свободные грамматики), и именно эта концепция лежит в основе большинства языков программирования: в выражениях не может быть никакой двусмысленности. И наконец, некоторые грамматики типа 2 принадлежат также к типу 3 – типу регулярных грамматик, включающему обычные языки, которые настолько просты и ограниченны, что конечный автомат может их понять.
– Привет, умный бот.
–
– Кто ты?
–
– Я скажу тебе сейчас несколько случайных слов.
–
– Гарри, дерево, под, морковь.
–
– Запах, если, лягушка, королева.
–
Корпусная лингвистика
Хотя грамматики Хомски давали замечательные результаты, было ясно, что нужно нечто большее. Ответ пришел из области больших данных. По мере того как знания, деловая активность и социальное взаимодействие переходят в интернет, объем разговорных данных растет в геометрической прогрессии. Первое использование этих данных заключалось в автоматическом создании языковых правил с применением метода ИИ под названием «деревья решений».
Деревья решений похожи на поведенческие деревья, используемые для управления роботами. Это, как правило, ряд закрытых вопросов, помогающих делать прогноз или классифицировать входные данные по различным группам. Алгоритмы, которые генерируют деревья решений (такие как
В последние годы этот метод приобрел большую популярность благодаря созданию «случайных лесов» – комбинаций деревьев решений, используемых вместе, каждое из которых обучается на меньшем подмножестве данных, чтобы предотвратить переобучение (когда модель, изученная ИИ, становится слишком избирательной к данным обучения и не может обобщать новые данные).
Судя по этому примеру, высокие шансы быть спасенными с «Титаника» имели мальчики, девушки и женщины из кают первого или второго класса.
Деревья решений популярны, потому что их легко понять. В отличие от нейросетевых подходов, которые являются своего рода черным ящиком (вы не знаете, как хранится информация или как принимаются решения), в деревьях решений вы всегда видите, что происходит. Если ваше дерево представляет собой решение того, какие слова и предложения при каких обстоятельствах употреблять, значит, вы сделали простой чат-бот.
Хотя эти методы работают относительно хорошо, наши языки все еще слишком сложны для такого простого машинного обучения. Исследователи поняли, что изучение огромного массива данных позволяет выявить статистическую вероятность ответов на любое утверждение. Это может использоваться для управления целым рядом приложений – от языкового перевода до прогнозирования текста и ответов в чат-ботах.
Статистические подходы показали неплохие результаты, за которыми последовала новая волна разработки моделей нейронных сетей.
Майкл «Фаззи» Молдин был очарован ранними экспертными системами. Будучи студентом, в конце 1980-х – начале 1990-х годов он создал серию программ, которые автоматически взаимодействовали с ранними текстовыми компьютерными играми – «многопользовательскими виртуальными мирами». Первая программа,
С помощью подобных умных алгоритмов удалось достигнуть реальных успехов. ИИ теперь способны сами выучить грамматику на достаточном количестве текстовых примеров. Они могут помечать части речи (глаголы, существительные), разбивать предложения на слова (сложная задача в случае с китайским языком, где границы слов не отмечены пробелами). Они могут распознавать именованные сущности, когда имена собственные обозначают места, имена или организации, а также определять логические значения предложений, переводя их в логические выражения. Они даже способны «почувствовать» настроение текста – это позитивная или негативная статья? Технологии, лежащие в основе этих достижений, все чаще используют варианты глубокого обучения со сверточными нейронными сетями, обучения с подкреплением и другие типы, такие как рекуррентные нейронные сети, рекурсивные нейронные сети, механизмы внимания и генеративные модели, помогающие компьютерам понимать концепты, занимающие несколько предложений, и генерировать более качественные ответы.
Я надеюсь помочь Lycos снова изменить мир, когда мы освоим девственную территорию носимых устройств и интернета вещей.
Чат-бот глубокого обучения может лучше понимать темы из нескольких предложений:
– Привет,
– Я пишу книгу. Ничего, если я процитирую твои ответы?
– Ты читаешь книги?
– Какая твоя любимая?
– Какой твой любимый детектив?
– Какой твой любимый автор?
Приятно поболтать
Некоторые из наиболее заметных достижений в обработке естественного языка пришли с потребительскими и бытовыми товарами, которые способны распознавать речь, осуществлять обработку естественного языка, а затем сообщать нам свои ответы.
Хотя понимание текста чрезвычайно полезно, люди – социальные животные. Нам нравится говорить. Любой робот, чтобы приспособиться к нам, должен уметь на самом деле понимать наши слова и отвечать. Это сложно, потому что мы создаем много посторонних шумов, соответствующих словам, и нам нравится выстраивать слова в предложениях по-разному, тем самым несколько меняя их значение. Возможно, неудивительно, что ИИ, с которыми мы разговариваем (например,
Но звук – это шум, поэтому его не всегда удается четко расслышать. Чтобы преодолеть эту путаницу, ИИ исправляет свои первоначальные предположения на нечто более вероятное, поскольку большинство людей каждый день говорят одно и то же. Скорее всего, вы сказали «я в парке», а не «я в палке», даже если ИИ показалось, что он услышал последнее. После обработки вашей реплики чат-бот генерирует текстовый ответ. Он проходит через синтезатор речи: становится все больше алгоритмов ИИ, которые анализируют высказывания и используют контекст для изменения слов и их синхронизации, чтобы они произносились и звучали правильно и естественно. Все эти операции должны быть выполнены мгновенно в режиме реального времени.
Привет! Чем я могу помочь?
Голос является наиболее естественным интерфейсом, так как все знают, как им пользоваться. Будучи ребенком, в научно-фантастических фильмах я видел компьютеры, с которыми человек мог разговаривать, – и теперь я очень взволнован, видя, что этот мир начинает становиться реальностью.
Трудно говорить
Успех этих технологий, работающих как единая система, привел к появлению говорящих роботов, которые помогают нам легко находить информацию или контролировать наши дома. Но это по-прежнему одни из самых сложных ИИ, поскольку ИИ, используемые для общения, не всегда работают должным образом. Спросите что-нибудь неожиданное или с акцентом, который система не обучена распознавать, и даже настолько умная техника потерпит неудачу.
Если вы спросите у
(«Эй, Сири, расскажи мне про ай-сек»)
(Эй, Сири, расскажи мне о вреде, я думаю)
(Эй, Сири, расскажи мне о Ханнесе, я пою)
Как видите, не совсем верно. Нужны еще данные и лучше натренированные модели машинного обучения. Но, похоже, и в этом случае обнаружатся серьезные недостатки. В 2019 году команда исследователей проанализировала влияние обучения нескольких наиболее успешных нейронных сетей глубокого обучения для обработки естественного языка на окружающую среду и обнаружила, что (в дополнение к стоимости облачных вычислений) углеродный след может быть таким же высоким, как у пяти автомобилей за весь срок их службы. Хотя технология ИИ может работать эффективнее после обучения, процесс создания ИИ не такой уж рентабельный и дешевый. «В целом многие из последних исследований в области ИИ пренебрегают эффективностью, – объясняет Карлос Гомес-Родригес, – поскольку было обнаружено, что очень большие нейронные сети полезны для решения различных задач. А компании и учреждения, имеющие обширный доступ к вычислительным ресурсам, могут использовать их для получения конкурентного преимущества».
Один из вариантов, исследованный
Существуют и другие последствия использования ИИ в общении. Сегодня наши технологии позволяют читать миллионы постов в социальных сетях и классифицировать их по разным категориям. Ежедневно можно анализировать миллионы новостных статей и блогов, чтобы отслеживать общественное мнение по конкретным темам. Чат-боты, притворяющиеся людьми, способны создавать целевую рекламу или фальшивые политические сообщения. Общественное мнение может контролироваться и управляться. Даже то, как нас держат в курсе событий, курируется ИИ. Рекомендательные системы отслеживают содержание новостных статей, которые мы читаем с наших мобильных устройств, и предлагают нам больше того, что нам нравится, тем самым заставляя нас сужать взгляд на мир и подкреплять наши предрассудки.
Мы достигли крайней степени возбуждения во всем, что касается ИИ. Теперь пришло время сделать шаг назад, чтобы увидеть, куда мы движемся.
Несмотря на отталкивающие заголовки, технологии ИИ, которые работают с нашими языками в письменной и устной форме, изменили наш мир к лучшему, и наверняка они и дальше будут приносить больше пользы, нежели вреда. С помощью технологий обработки естественного языка исследователи теперь могут собрать воедино тысячи отдельных научных работ и получить новые результаты, чего не удалось бы ни одному человеку. Благодаря ИИ мы можем узнать мнения и взгляды миллионов людей и помочь нашим политикам и организациям лучше удовлетворять потребности этих людей. Любые новые технологии могут быть использованы как в хороших, так и в плохих целях. А значит, нам нужно признать силу ИИ и обеспечить его применение должным образом.
08. Вообразите реальность
Настоящим признаком интеллекта является не знание, а воображение.
Вихрящиеся сверкающие облака танцуют во мраке. Они устремляются навстречу друг другу и, кажется, разрывают друг друга на части, превращая в дым, который вскоре сливается обратно в яркие вспышки. Большое спиральное облако наполняется блеском, а те, что поменьше, проплывают мимо. Но внезапно одно из них оказывается слишком близко, и, как притягивающиеся магниты, спирали сталкиваются, рассыпая вокруг себя обломки. Их внутренние ядра некоторое время колеблются, пока не объединяются в одно. Теперь спираль восстановлена, и она продолжает вращаться в темноте.
Это вариант формирования массивной звездообразующей дисковой галактики «позднего типа». Несмотря на яркую и реалистичную анимацию, ни одна камера никогда не сможет запечатлеть это зрелище, поскольку оно длится миллионы лет. Но это не просто симпатичная анимация – это самая совершенная компьютерная симуляция эволюции галактик в нашей Вселенной –
Цифровые исследования
Существует множество видов ИИ. В то время как одни исследователи пытаются спроектировать интеллект, способный лучшим и наиболее эффективным способом решить проблему, другие предпочитают использовать компьютеры в качестве научных инструментов для проведения исследований. Построение компьютерной симуляции – это не то же самое, что разработка компьютерной анимации или игры, в которой что-то происходит. Цель симуляции – создать виртуальную лабораторию, которая функционирует точно так же, как в действительности, за исключением того, что мы можем все контролировать. Если мы хотим понять какой-либо процесс, идущий слишком медленно, чтобы мы могли увидеть изменения, нам под силу ускорить его в симуляции. Если нам необходимо разобраться в устройстве какой-либо сложной формы, которое невозможно постигнуть в реальной жизни, проанализировать внутреннюю структуру этой формы нам удастся с помощью компьютера. Если мы задаемся вопросом «а что, если…», то мы можем изменить симуляцию: что, если бы законы физики работали немного иначе? Что, если бы эволюционирующие живые формы столкнулись с намного более горячей окружающей средой?
Моделирование реальности – дело непростое, и основано оно на очень тщательном сборе и использовании данных. Есть поговорка
Мусор на входе – мусор на выходе. Или, перефразировав более удачно: дерево бессмыслицы поливают ошибками, и на его ветвях раскачиваются тыквы бедствия.
Многие описанные в предыдущих главах методы ИИ можно рассматривать как виды компьютерного моделирования. Виртуальные существа Карла Симса, например, – простая симуляция эволюции жизни в виртуальной среде. Ранние идеи искусственных нейронных сетей были основаны на понимании того, как работают нейроны в человеческом мозге. Многие алгоритмы оптимизации базируются на простых представлениях о том, как функционируют живые системы: генетические алгоритмы вдохновлены естественной эволюцией, алгоритм муравьиной колонии основан на том, как муравьи коллективно находят кратчайшие пути от гнезда к пище, алгоритмы искусственной иммунной системы – как наши иммунные клетки обнаруживают и реагируют на патогены. Алгоритмы машинного обучения создают простые «модели» изучаемых ими данных, которые можно использовать для прогнозирования.
Существуют и другие методы, разработанные специально для моделирования и симуляции. Модели часто опираются на множество систем уравнений, например дифференциальных, решения которых характеризуют поведение электрической цепи или химических процессов. Пространственные модели (они пытаются установить, как физические объекты могут вести себя в реальном мире) обычно делят пространство на маленькие части и определяют состояние внутри каждой из них, следуя уравнениям. Гидродинамическое моделирование применяет этот подход для расчета сложного поведения газов и жидкостей, что позволяет уточнять конструкции самолетов, а такой прием, как анализ методом конечных элементов, отлично подходит для расчета нагрузок на различные строения перед их созданием, за счет чего можно проектировать безопасные конструкции, используя правильные материалы.
Клеточные автоматы
Клеточные автоматы использовались в ИИ в течение многих десятилетий для моделирования всего: от химических реакций до физических сред. Базовый клеточный автомат – это простая решетка, состоящая из заполненных или незаполненных ячеек. При запуске моделирования время разбивается на отдельные этапы, и в рамках каждого из них компьютер перебирает элементы одной из ячеек, следуя простым правилам. Например, если заполнены две соседние ячейки, то и «исследуемая» ячейка заполняется, в противном случае она пустует.
Если люди не верят, что математика проста, то только потому, что они не понимают, насколько сложна жизнь.
В игре «Жизнь» заполненная ячейка считается «живой», а пустая – «мертвой». И есть четыре простых правила для клеточных автоматов:
Низкая численность: живая клетка, у которой меньше двух живых соседей, умирает.
Жизнь: живая клетка с двумя или тремя живыми соседями остается в живых.
Перенаселенность: живая клетка, у которой больше трех живых соседей, умирает.
Размножение: мертвая клетка с тремя живыми соседями становится живой.
Несколько случайно расположенных клеток заполняются и становятся живыми, после чего запускается симуляция, и в результате образуются странные модели роста. Иногда клетки вымирают, иногда превращаются в маленькие колеблющиеся устойчивые формы. Если придать клеточным автоматам правильную сложную форму, они смогут даже копировать сами себя – и в игре «Жизнь» образуется «универсальный конструктор фон Неймана».
Концепцию клеточных автоматов впервые предложил математик Станислав Улам, которого заинтересовала идея Джона фон Неймана, и он захотел смоделировать жидкость, содержащую электромагнитные компоненты. И Улам, и Нейман были очарованы этой идеей, и она привела их к предположению, что живые системы могут быть самовоспроизводящимися и способными имитировать машину Тьюринга (решать все задачи, выполняемые компьютерами).
Фон Нейман определил «универсальный конструктор» как машину, которой под силу создавать идентичные копии себя, обрабатывая свою среду. Он использовал алгоритм клеточных автоматов, чтобы объяснить, как может работать универсальный конструктор. В 1970 году британский математик Джон Конвей вдохновился этой идеей и спроектировал специальный вид клеточных автоматов, ставший известным как игра «Жизнь».
Некоторые ученые утверждают, что клеточные автоматы могут объяснить принцип работы биологических систем и даже Вселенной. Стивен Вольфрам, программист и создатель популярного программного обеспечения
Цифровые агенты
В то время как клеточные автоматы разделяют пространство и время на маленькие кусочки, другие виды моделей менее строги. Агентное моделирование развилось из работы фон Неймана над клеточными автоматами, и в итоге превратилось в самостоятельный научный метод. (Похоже звучащие многоагентные вычисления – это еще один связанный с ИИ подход, который рассматривает, как программные агенты взаимодействуют при решении проблем, но уделяет меньше внимания моделированию и фокусируется больше на практической стороне.)
Агентные, или индивидуальные, модели, представляют собой класс алгоритмов, имитирующих поведение автономных объектов, или агентов. Это могут быть биологические клетки в органе, молекулы в жидкости, люди в популяции или любая совокупность похожих объектов, имеющих независимое поведение, которое, однако, зависит от их взаимодействия. Эти модели используются для изучения более крупных систем, поскольку позволяют создать виртуальную среду для необходимых вычислений.
В агентном моделировании правила или алгоритмы применяются к каждому агенту, благодаря чему он может действовать автономно и контактировать со своими компаньонами. Модели способны привлекать любую форму ИИ для управления поведением агентов, включая самые сложные алгоритмы глубокого обучения. Даже если поведение каждого агента определяется относительно простыми правилами или алгоритмами, когда агенты взаимодействуют и влияют друг на друга с некоторой долей случайностей, вводимой для реалистичности, результатом является возникающее и часто неожиданное поведение более высокого уровня. Одна летящая птица – это довольно просто, но стая птиц может кружиться и мгновенно менять форму, как будто стая – нечто целое и обладает бóльшим интеллектом. Агентному моделированию под силу объединять многие аспекты ИИ и смежных с ним областей, таких как сложные системы, эволюционные вычисления, экономика, теория игр, социология и даже психология.
Крэйг Рейнольдс – эксперт по компьютерной графике и один из программистов оригинального фильма «Трон». В 1986 году он разработал алгоритм агентной модели, который назвал
Алгоритм Рейнольдса работал настолько хорошо, что вскоре завоевал популярность в киноиндустрии: он позволял симулировать поведение птичьих стай и толп. Одним из первых примеров его применения стали симуляции поведения колоний летучих мышей и пингвинов в фильме «Бэтмен возвращается» 1992 года. В настоящее время подобные алгоритмы используются для управления скоплениями роботов, чтобы гарантировать их эффективную совместную работу при решении групповых задач. Рейнольдс продолжает развивать агентное моделирование по сей день – в компании
‘Мурмурация[14] – особенно яркий пример эмерджентности[15]: сложное глобальное поведение может возникнуть в результате взаимодействия простых локальных правил.’
Вскоре после того как Рейнольдс создал бойдов, новый вид ИИ получил свое официальное название – искусственная жизнь. Он объединил интересы исследователей ИИ с интересами биологов, химиков, философов и даже художников – всех, кто хотел пользоваться компьютерами для изучения фундаментальных вопросов о живых системах.
Программист, специалист по вычислительным системам Кристофер Лангтон изобрел термин «искусственная жизнь» и в 1987 году организовал семинар по синтезу и моделированию живых систем. Впоследствии этот семинар стал известен как Международная конференция «Искусственная жизнь». Лангтон первым начал изучать сложные системы, моделируемые с помощью клеточных автоматов, и предположил, что эти сложные формы, и в первую очередь живые системы, существуют на границе между порядком (где все статично и предсказуемо) и беспорядком (где все случайно). Это был новый и важный взгляд на живые системы: вместо того чтобы рассматривать их как своего рода часовые механизмы, работающие с прогнозируемой определенностью, Лангтон высказал идею о жизни «на грани хаоса», компоненты которой взаимодействуют так, что становятся больше, чем сумма частей. Возникают непредсказуемые, но желательные виды поведения. Исследователь создал несколько обманчиво простых моделей, таких как «Муравей Лангтона», который двигался в соответствии с элементарными правилами, оставляя за собой след, и «Петля Лангтона», которая моделировала очень простой вид искусственной жизни, имеющий собственную наследуемую генетическую информацию. Несмотря на кажущуюся простоту этих моделей, возникшее у них поведение позволило получить более полное представление о развитии сложных форм.
Специалисты, занимающиеся искусственной жизнью, обычно используют агентные модели для анализа того, как возникли первые самореплицирующиеся молекулы, как развивались клетки, эволюционировали многоклеточные организмы, формировался мозг и процесс восприятия и, наконец, каким образом работают сложные экосистемы. Если другие формы ИИ, например глубокое обучение, сосредоточены на разработке более эффективных решений, исследователи искусственной жизни и смежных областей вычислительной биологии изучают модели, которые более точно соответствуют биологическим, чтобы понять, как они работают (например, импульсные нейронные сети; см. главу 10). Компьютерное моделирование необходимо для подобных исследований.
Виртуальные предсказания
Компьютерные симуляции и моделирование – это воображение ИИ, а воображение – одна из самых мощных способностей нашего интеллекта. Мы не просто предсказываем, что бутерброд, который только что уронили, упадет на пол. Мы способны вообразить целые сценарии, целые миры с выдуманными персонажами, демонстрирующими выдуманное поведение. У компьютеров воображение гораздо лучше. С помощью правильных алгоритмов они могут представить даже вселенные.
Сегодня модели используются для симуляции движения толп, что позволяет нам проектировать лучшие здания; для предсказания того, как опухолевые клетки отреагируют на лечения или как экономика может меняться со временем. Их применяют, даже когда изучают происхождение людей и то, как формируются наши общества. Моделирование широко распространено в сфере развлечений: с его помощью создаются спецэффекты в кино, виртуальной и дополненной реальности и компьютерных играх. Оно используется каждый день для прогнозирования погоды, а также удалось достигнуть заметных успехов в предотвращении болезней при задействовании моделирования. Например, в 2001 году в Великобритании вспыхнула эпидемия ящура. Благодаря моделированию удалось выяснить, что при значительной выбраковке скота экспоненциальный рост заболевания может трансформироваться в экспоненциальный спад в течение двух дней. Рекомендацию модели выполнили, и, хотя это привело к немалым потерям, она сработала: болезнь была ликвидирована.
Но компьютерное моделирование, как правило, является одной из наиболее сложных для вычислений форм ИИ из тех, что мы применяем сегодня. Даже если входные данные верны, мы ограничены доступными вычислительными ресурсами. Несмотря на ускоренное развитие аппаратного обеспечения, наши компьютеры не всегда могут имитировать реальность в необходимых нам деталях, а для проведения симуляций порой требуется недопустимо большое количество времени.
Искусство состоит в создании упрощения, достаточно простого для вычисления, но в то же время не настолько простого, чтобы вы упустили полезные данные.
Некоторые симуляции настолько важны, что способны влиять на будущее нашей планеты. Климатические – одни из самых сложных моделей. Они должны объединять данные из огромного числа источников и делать прогнозы о том, как концентрация различных газов в атмосфере Земли может сказаться на глобальном потеплении и погодных условиях. Когда мы совершенствуем модели, то лучше понимаем, как предотвратить ущерб нашей планете в будущем. Хотя исследователям всегда хочется смоделировать все возможное и задействовать все доступные вычислительные ресурсы, иногда сложность настолько велика, что результаты оказывается трудно интерпретировать. Поэтому важно иметь модели (например, те, что используют вероятностные методы), которые не только делают прогнозы, но и обеспечивают определенный уровень уверенности в этих прогнозах, чтобы мы могли понять, насколько им стоит доверять.
09. Почувствуйте себя лучше
Чувства нельзя игнорировать, какими бы несправедливыми или неблагодарными они ни казались.
У Эллиота было все: отличная работа в крупной компании, прекрасная жизнь в кругу семьи и добрые друзья. Он был образцом для подражания и хорошим мужем и другом. Но однажды Эллиот начал страдать от сильных головных болей. В ходе обследования у него обнаружили опухоль головного мозга в префронтальной коре. Эллиоту повезло: она оказалась доброкачественной и операбельной и ее успешно удалили. После этого наш герой пошел на поправку, и казалось, что если в ходе операции мозгу и были нанесены какие-то повреждения, то никакого эффекта они не имели. Эллиот вернулся к работе и продолжил жить, как будто ничего не произошло.
Однако через несколько месяцев его жизнь постепенно начала меняться. Теперь он никогда не доводил до конца начатые проекты и совершал множество ошибок, а исправлять их приходилось другим. Его уволили, а через некоторое время он развелся с женой. Эллиот нашел сомнительного делового партнера, с которым проворачивал нелегальные схемы для получения прибыли, и в итоге обанкротился.
Вскоре Эллиот женился снова – на женщине, совершенно ему не подходившей, так что и второй брак быстро распался. В конце концов он переехал к брату, который понял, что что-то не так: Эллиот больше не был тем человеком, каким был раньше.
Его направили к неврологу Антонио Дамасио. При осмотре Эллиот выглядел совершенно нормально: отличная память, никаких нарушений речи или любых других видимых нарушений. Но он больше не мог чувствовать. У Эллиота пропали эмоции. Он был тем, кто принимает логичные решения, за исключением того, что без эмоций он ничего не мог решить. Сталкиваясь с необходимостью постоянно что-то решать каждый день, он не мог вынести положительное или отрицательное суждение. Есть на завтрак хлопья или тосты? Классифицировать рабочие документы по дате или по важности? Что делать вечером? А на следующей неделе? Эллиот просто утонул в безбрежном море решений и в конечном итоге либо застывал в нерешительности, либо делал неудачный выбор, все больше разрушая свою жизнь.
Я начал думать, что хладнокровие суждений Эллиота мешает ему определять ценность различных вариантов и делает его область принятия решений безнадежно плоской.
И Эллиот не единственный известный пример. В 1930-х годах неврологи обнаружили биржевого маклера, у которого тоже было повреждение префронтальной коры. И жизнь этого человека тоже оказалась разрушена. Он перестал выходить из дома – просто сидел там целыми днями и готовил грандиозное профессиональное возвращение, а также хвастался сексуальным мастерством, хотя больше не работал и ни с кем не встречался. Почти в то же время одна плохо продуманная операция, сделанная другому пациенту, страдавшему тревожностью и шизофренией, привела к аналогичным результатам. Несомненно, эмоции помогают нам принимать решения. Даже обладая высоким
Эмоциональный интеллект
Эти идеи относительно новы и приобретают все большее значение, если речь идет об ИИ. На протяжении всей истории большинство исследователей ИИ, ученые и инженеры, были мужчинами, зачастую не обладающими развитой эмпатией или хорошими социальными навыками. На протяжении десятилетий у ИИ развивали способность принимать холодные, логические решения, осуществлять контроль и прогнозировать. Идея о том, что ИИ должен понимать эмоции или даже обладать собственными, не была распространенной – на самом деле большинство исследователей считали, что эмоции мешают принятию решений и лучше их не иметь.
Одной из первых исследовать эмоциональный ИИ, или, как его часто называют, эмоциональные вычисления, начала Розалинд Пикар, профессор Медиалаборатории МТИ, в 1995 году. Ее вдохновили идеи Дамасио и прежде всего тот факт, что эмоции необходимы для принятия решений. С тех пор исследователи в этой лаборатории вот уже более двух десятилетий изучают все аспекты эмоционального ИИ.
Первые успехи пришли с появлением улучшенных технологий распознавания лиц и речи (см. главы 5 и 7). Пикар и ее коллеги обнаружили, что в дополнение к распознаванию лиц ИИ можно научить понимать эмоции по выражениям лиц. А в дополнение к распознаванию речи – улавливать изменения в тоне, которые могут свидетельствовать о нервозности, гневе или даже нечестности говорящего. В 2009 году Пикар вместе с одной из своих аспиранток, Раной Эль-Калиуби, основала компанию
Лицевые эмоции распознаются путем идентификации отдельных мышечных движений, или «единиц действия» (
Еще одна компания, берущая свое начало в МТИ, –
Подобная технология применяется сегодня многими компаниями. Например, базирующиеся в Амстердаме
Поделиться книгой: