Всё об искусственном интеллекте за 60 минут

Социальные роботы

ИИ могут распознавать эмоции, но создание разумных роботов, способных взаимодействовать с людьми, всегда вызывало у инженеров-робототехников проблемы. Мы порой испытываем дискомфорт, если робот похож на человека или животного. Однако, как ни странно, мы вполне довольны роботами, внешне напоминающими игрушки или персонажей мультфильмов. Это «эффект зловещей долины». Как только реалистичность возрастает до такой степени, что робот становится похож на нечто живое, мы чувствуем себя неуютно. Если же робот к тому же начинает двигаться, наша эмоциональная реакция оказывается еще более негативной.

Это проблема, поскольку существует множество приложений, в рамках которых роботам необходимо взаимодействовать с людьми. Было бы чрезвычайно полезно иметь роботов, способных контролировать здоровье пациентов в больницах или пожилых людей дома; роботов, которые брали бы на себя скучную работу портье или предоставляли бы информацию покупателям в торговых центрах. В идеале эти роботы должны обеспечивать дружеское общение, делать нас счастливыми и определять, какое эмоциональное влияние они на нас оказывают. Таких роботов называют социальными.

Одним из первых социальных роботов стал робот-тюлень Paro. Разработанный Таканори Сибата из Японского национального института передовой промышленной науки и технологии в 1993 году Paro был создан по образу гренландских тюленей, которых Сибата наблюдал на северо-востоке Канады. Маленький снежно-белый пушистый робот может немного двигать ластами и телом и издавать звуки, сгенерированные на основе записей звуков живых тюленей, сделанных Сибатой. Paro способен отвечать на поглаживания, смотреть в глаза, реагировать на свое имя и изучать действия, которые вызывают благоприятную реакцию. Сибата избежал эффекта зловещей долины, сделав Paro очень похожим на игрушку. И в итоге последнего зарегистрировали как медицинское устройство и начали использовать на сеансах терапии для пациентов с деменцией в домах престарелых.

Университеты достигли заметных успехов в области создания социальных роботов. Например, широкую известность получил робот Kismet, спроектированный Синтией Бризил из МТИ. Он представляет собой немного странно выглядящую карикатурную голову, способную понимать выражения лиц, жесты и тон голоса, а также реагировать на все это с помощью подвижных губ, бровей, глаз и ушей.

Керстин Даутенхан и Бен Робинс из Университета Хартфордшира разработали робота Kaspar – он похож на ребенка и используется для взаимодействия с детьми-аутистами, чтобы помочь им в развитии коммуникативных навыков и достижении эмоционального благополучия. «Многие люди с аутизмом тяготеют к технологиям, особенно к предсказуемости, которую они обеспечивают. А это значит, что такие технологии могут быть очень полезны детям и взрослым», – объясняет Кэрол Пови, директор Центра аутизма при Национальном обществе аутизма.

В течение какого-то времени компании пытались создать домашних роботов, которые привлекали бы пользователей большей эмоциональной осведомленностью и индивидуальностью. В их числе детский робот-динозавр Pleo, Vector от компании Anki и Keepon – милый маленький танцующий робот в форме желтого снеговика, изобретенный Хидеки Козимой из Национального института информационных и коммуникационных технологий (версия этого робота под названием Zingy появилась в рекламной кампании EDF Energy в 2012 году).

Выпущенный в 2006 году Nabaztag, умный домашний робот-кролик, мог читать электронные письма и спрашивать что-то вроде «Где моя шляпа? Ты видел мою шляпу?», а также двигать ушами. Несмотря на исследование, которое показало, что робот был популярен среди пожилых людей, он никогда не работал достаточно хорошо, чтобы соответствовать требованиям всех покупателей, и производителю пришлось остановить его выпуск – так часто происходит с компаниями, занимающимися социальными роботами. Немного жаль, что таких милых, забавных и полезных роботов к 2020 году заменили многочисленные домашние станции. Эти безликие цилиндрические колонки звучат так, будто могут выражать эмоции посредством тона своего голоса. Однако они не обладают ни собственными эмоциями, ни способностью понимать наши.

Эмоциональные роботы

Конечная цель эмоционального ИИ – дать ИИ его собственные эмоции. Распознавание эмоций у других лишь помогает вам понять, что ваше поведение оказывает определенное влияние. Ощущение же собственных эмоций позволяет вам сопереживать и принимать решения более эффективно.

Исследователи симулировали эмоции в своих ИИ и мультиагентных моделях в течение многих лет. Одни просто использовали понятие стоимости (скажем, 0,9 для счастья); другие – модели с нечеткой логикой. Симулированные эмоции могут быть реактивными, то есть возникающими автоматически: к примеру, страх, вызванный огнем, счастье во время приема пищи. Некоторые модели эмоций включают в себя психологические особенности, такие как личностные свойства, чтобы ограничить влияние каждой эмоции на поведение. Для создания правил об эмоциональных состояниях использовали символьные методы ИИ: если оцениваемая ситуация повысила ясность и удовольствие, она создает радость. Таким образом, агент начинает «чувствовать» радость, гнев, удивление, страх, панику, беспокойство, сожаление, а также понимает причину этих эмоций. В настоящее время другие исследователи приступили к моделированию физиологической реализации эмоций, при этом эмоциональные состояния меняют поведение нейронных сетей так же, как области нашего мозга – лимбическая система и миндалина – влияют на его поведение как системы. Точно так же, как настоящие эмоции помогают нам функционировать в реальном мире, включение эмоций в искусственные нейронные сети, как надеются исследователи, позволит роботам отражать и изучать эмоциональные состояния, в результате чего они обретут способность быстро и эффективно выносить суждения, как это делаем мы.

Вопрос не в том, могут ли разумные машины иметь какие-либо эмоции, а в том, могут ли эти машины быть разумными без каких-либо эмоций.

МАРВИН МИНСКИ (1986)

НЕЧЕТКАЯ ЛОГИКА

Нечеткая логика – это разновидность многозначной логики, впервые предложенная математиком и информатиком Лотфи Заде в 1965 году. В то время как нормальная логика основана на бинарном «да/нет», «включено/выключено», нечеткая логика определяет степень принадлежности к множеству. Нечеткая логика напоминает вероятность, но отличается от нее: значение нечеткой логики представляет собой степень, с которой данные относятся к значению в пределах неясно заданного набора, тогда как вероятность – это возможность чего-либо. В то время как логическое выражение имеет бинарную логическую переменную «счастливый», которая принимает значение «да» или «нет», в нечеткой логике та же концепция будет формулироваться с использованием нескольких лингвистических переменных, соответствующих нечетким множествам. Например, концепция настроения может быть размыта и содержать: нечеткое множество понятия «счастливый» со значением 0,8; нечеткое множество понятия «печальный» со значением 0,3; «злой» – 0,1 и «удивленный» – 0,4. Использование лингвистических переменных делает нечеткую логику намного более понятной. Сегодня она широко применяется в ИИ, которые контролируют метро, подъемники и даже рисоварки.

Заботливый ИИ

Эмоциональные вычисления – одно из последних значительных достижений в области ИИ: по оценкам специалистов, рынок эмоциональных вычислений вырастет с 22,2 миллиарда долларов в 2019 году до 90 миллиардов долларов к 2024 году. Распространение подобных технологий облегчает сбор данных (изображений лиц, аудиозаписей голосов и физиологических особенностей, таких как частота сердечных сокращений и интенсивность потоотделения). Алгоритмы машинного обучения теперь способны классифицировать эти данные и позволяют точно прогнозировать наше эмоциональное состояние. Это должно привести к появлению более осведомленных чат-ботов, которые смягчат свои ответы, если мы разозлимся или расстроимся. Производители автомобилей уже работают над транспортными средствами, которые предупредят нас, когда гнев или депрессия начнет негативно влиять на нашу способность вести машину. Более качественный анализ настроения уже используется британским правительством для сопоставления комментариев в социальных сетях с конкретными эмоциональными настроениями. По мере того как цифровые очки (такие как Google Glass) становятся все более распространенными, компании вроде Brain Power предлагают новые технологии для людей с аутизмом, которые подсказывают им эмоциональное состояние окружающих и учат лучше понимать мир чувств. Другие компании разрабатывают технические решения для людей с проблемами в области психического здоровья. В частности, они задействуют в поведенческой терапии чат-ботов. Один из таких чат-ботов Ellie – виртуальный агент, финансируемый Управлением перспективных исследовательских проектов и помогающий солдатам с посттравматическим стрессовым расстройством. Karim – чат-бот, созданный стартапом X2AI из Кремниевой долины, он помогает сирийским беженцам преодолевать последствия травмы.

Будущее выглядит радужно. Однако, как и все остальные достижения, эмоциональный ИИ имеет свою темную сторону. Использование наших физиологических и эмоциональных данных без разрешения вызывает у многих большие опасения. А что, если данные используются в менее пристойных целях? Чат-бот Microsoft в женском обличье, Xiaoice, добилась значительной популярности благодаря симпатичной внешности и способности очаровывать собеседника. Около 100 миллионов 18–25-летних людей в мире беседуют с ней, причем некоторые регулярно. Является ли это лекарством от одиночества, которое нам стоит принять? Или это всего лишь циничная уловка компании, призванная повысить лояльность к бренду?

К 2022 году ваше персональное устройство будет знать о вашем эмоциональном состоянии больше, чем ваша собственная семья.

АННЕТ ЦИММЕРМАНН, вице-президент по исследованиям в компании Gartner

В 2017 году в результате утечки данных о сообщениях, отправленных рекламодателям руководством Facebook, стало известно, что компания способна отслеживать сообщения в режиме реального времени и определять, когда подростки чувствуют себя «беззащитными», «бесполезными» и «нуждающимися в увеличении уверенности». Также утверждалось, что компания может классифицировать такие состояния, как «напряженный», «побежденный», «ошеломленный», «тревожный», «нервный», «глупый», «бессмысленный», «бесполезный» и «неудачливый».

Facebook также подвергся критике за более раннее исследование 2014 года, в ходе которого компания проводила манипулирование новостными лентами почти 700 000 пользователей, чтобы повлиять на их эмоции, что нарушало этические принципы, поскольку никто из «испытуемых» не давал информированного согласия.

Мы никогда бы не позволили роботу бегать среди людей и случайным образом размахивать конечностями, так как это неизбежно привело бы к травмам. Однако в обществе до сих пор отсутствует четкое осознание того, что эмоциональный ИИ тоже способен причинить вред – а ведь эмоциональный ущерб гораздо сложнее обнаружить и исправить. Мы ни в коем случае не должны рассматривать эмоциональный ИИ как новый инструмент для манипулирования людьми. Это может привести к весьма печальным последствиям как для отдельных людей, так и для всего общества.

10. Познайте себя

Сказать, что ИИ начнет делать то, что он хочет, преследуя собственные цели, все равно что сказать, что калькулятор начнет делать свои собственные вычисления.

ОРЕН ЭТЦИОНИ

Умерев в феврале 1988 года, всемирно известный физик Ричард Фейнман оставил после себя сообщение. Оно было написано его неровным почерком мелом в левом верхнем углу его доски в Калифорнийском технологическом институте. Эти слова десятилетиями вдохновляли многих ученых и продолжают делать это по сей день. Восемь простых слов, которые использовались для обоснования исследовательских программ стоимостью в миллионы долларов.

«Что я не могу создать, я не понимаю».

Оуэн Холланд – ученый, который в полной мере присоединяется к этим словам. На протяжении всей своей карьеры Холланд исследовал, как функционируют биологические системы, пытаясь раскрыть тайны их интеллекта, разрабатывая собственные равноценные заменители. И проходя этот путь, он создал много интересных роботов. (Одним из его самых необычных изобретений оказался Slugbot – робот, который «питался» настоящими слизнями и получал энергию, перерабатывая их тела.)

Его работа достигла кульминации в стремлении понять сознание – предел мечтаний всех исследователей ИИ. Подход Холланда состоял в том, чтобы копировать природу больше, чем когда-либо до этого в робототехнике. Он и его команда создали CRONOS – довольно пугающего робота-гуманоида с одним циклопическим глазом на голове, но с анатомией, максимально соответствующей человеческой. Кости, имитирующие человеческие, были сделаны из пластика. Приводы в сочетании с растягивающимися тросами тянули кости и функционировали как мышцы. Холланд полагал, что существует связь между сложностью тела и сложностью мозга, необходимого для контроля тела.

Тело робота получилось чрезвычайно сложным. На самом деле CRONOS оказался настолько трудным в плане управления, что в конечном итоге Холланд и его коллеги поняли: они не смогут завершить работу. CRONOS мог бы иметь тело разумного робота, но исследователи изо всех сил пытались создать мозг, обладающий сознанием, и бóльшую часть времени проводили, стараясь спроектировать работающие системы управления. (Уроки, извлеченные из этого опыта, привели к появлению новых приводов и новых роботов, таких как Roboy – немного более дружелюбная версия для детей.)

Но не все было потеряно. Холланд считал, что в ходе исследования все же нашел некоторые ответы. Он полагал, что сознание – это все, с помощью чего робот формирует собственную внутреннюю модель внешнего мира, свою воображаемую реальность, которая должна также включать в себя модель самого робота. Когда робот сможет думать о себе, своем теле и о том, как ему реагировать и воздействовать на реальный мир отдельно от самого мира, тогда, есть шанс, такой самоанализ станет первым шагом на пути к сознанию. Постепенно нужно будет добавлять новые функции – язык, речь, память, мотивацию, – и исследователи поймут, о чем думает робот. Возможно, когда собственные идеи робота станут более важными, чем реальность, тогда он получит сознание.

Холланд по-прежнему надеется, что мы сможем создать компьютерное сознание в ближайшие десятилетия. «Помните наклейки на компьютерах с надписью Intel Inside («Интел внутри»), – говорил Холланд. – Мы ждем наклейки с надписью Consciousness Inside («Сознание внутри»)».

Общий искусственный интеллект

Хотя такие исследователи, как Холланд, стремятся к лучшему самосознанию у компьютеров – цель, достижение которой может улучшить способность ИИ понимать себя и свои действия, – сознательный ИИ не обязательно означает полезный и, возможно, даже умный ИИ. Некоторые считают, что более полезным видом ИИ является некий общий вариант интеллекта.

Общих ИИ на сегодняшний день не так много. Практически все современные ИИ специализируются на очень узких областях. Попросите ИИ, занимающийся контролем качества, рассказать вам о погоде на завтра или попросите ИИ, «пишущий» музыку, спрогнозировать котировки акций, и вы не получите внятного ответа. Создавать ИИ с узкой специализацией более эффективно и практично, поэтому такой подход гораздо популярнее. Но когда мы хотим, чтобы ИИ взаимодействовал с нами в более широком диапазоне – определял наши потребности, вел с нами предметные разговоры, понимал социальные, этические или экологические последствия своих действий – мы начинаем думать о более общем виде ИИ.

Общий искусственный интеллект (ОИИ) – термин, используемый некоторыми исследователями для обозначения более «разносторонней» формы ИИ. Он подразумевает более широкий взгляд на создание систем ИИ, обладающих общим уровнем интеллекта, сопоставимым с человеческим или даже более высоким. В попытке дать ИИ больший набор возможностей используется и большее разнообразие методов и их комбинаций. Одни исследователи стремятся объединить символьные или модельные подходы с субсимвольными, такими как глубокое обучение. Другие пытаются создать гигантские графы знаний, чтобы обеспечить обширные общие знания.

Несмотря на десятилетия попыток исследователей и многих компаний, заявляющих, что они стремятся к этой цели, очевидно, что прогресс идет медленно. Одним из методов измерения уровня человеческого интеллекта является простой тест на IQ. В 2017 году IQ ИИ, находящихся в свободном доступе, таких как Google AI, Apple Siri и других, составлял в лучшем случае 47, что эквивалентно уровню IQ шестилетнего ребенка. Но другие исследователи утверждают, что те же ИИ не способны ходить, разговаривать или даже сделать чашку кофе, а значит, не являются ОИИ.

Моделирование мозга

Тогда как многие исследователи и ученые пытаются разработать ОИИ, существуют и другие пути моделирования и симуляции биологического мозга. Проект «Человеческий мозг», стартовавший в 2011 году, преследует чрезвычайно амбициозную цель – изучить и смоделировать все уровни человеческого мозга, начиная с микроскопического. К настоящему моменту в проект вложено уже 1 019 миллиардов евро. Однако цель выглядит довольно расплывчато, и большинство исследователей считают ее неосуществимой, учитывая уровень современных технологий и знаний. И все же участники проекта надеются, что при столь грандиозной цели им удастся достигнуть определенных успехов в нейробиологии и ИИ.

«Человеческий мозг» – лишь один из многих проектов. Например, в 2013 году администрацией Барака Обамы была запущена американская инициатива «МОЗГ». Ее целью является прогресс в нейробиологии – в частности, более глубокое понимание нарушения функций головного мозга с помощью передовых технологий сканирования и моделирования. Похожий китайский проект стартовал в 2015 году и продлится 15 лет. Ученые и исследователи уже создают массивные нейронные компьютеры, разрабатываемые специально для имитации импульсов нейронных сетей.

SPINNAKER

SpiNNaker – детище британского пионера в области компьютерной техники Стивена Фербера, который разработал эту новую компьютерную архитектуру, вдохновленную человеческим мозгом, для использования в нейробиологии, робототехнике и информатике. SpiNNaker включает в себя набор специальных процессоров, имитирующих импульсы нейронов. Каждый состоит из 18 процессоров меньшего размера (16 из которых используются для имитации нейронов, 1 – для управления и еще 1 – запасной) с продуманным дизайном, чтобы они могли взаимодействовать на сверхвысокой скорости друг с другом и со своими компаньонами на соседних чипах. Архитектура позволяет одновременно активировать множество таких микросхем для симуляции параллельной работы миллиардов нейронов и включает в себя до 1 036 800 процессоров, что требует 100 кВт мощности – удивительно мало для столь гигантского компьютера параллельного действия. SpiNNaker – одна из основных аппаратных платформ, входящих в проект «Человеческий мозг». Исследователи надеются, что помимо имитации импульсных нейронных сетей, в будущем эта технология поможет разрабатывать также новые типы больших энергосберегающих компьютеров параллельного действия.

1 Ethernet – технология, которая позволяет соединять проводные локальные сети, обеспечивая тем самым взаимодействие устройств согласно протоколу.

По сравнению с искусственными нейронными сетями, используемыми в машинном обучении, импульсные нейронные сети больше напоминают биологические нейроны. Традиционные искусственные нейроны непрерывно выводят значения на основе входных данных. Тогда как импульсные, которые активируются импульсами на входе, передают цепочки импульсов друг от друга, эффективно кодируя информацию во времени в форме двоичных сигналов «включено/выключено». Это значит, что импульсные нейронные сети лучше подходят для решения изменяющихся со временем проблем, нежели обычные искусственные нейронные сети. Импульсные нейронные сети требуют значительных вычислений для имитации более реалистичных нейронов (отсюда необходимость в специальном оборудовании, таком как SpiNNaker). Неясно только, как учить такие сети, поскольку нельзя применить традиционное обратное распространение. По этой причине, хотя импульсные нейронные сети имеют большой потенциал – в том числе для создания нейробиологических моделей, позволяющих лучше понимать живой мозг, – мы пока не знаем, как заставить их работать на полную мощность.

Я работаю над прорывным проектом ОИИ. Полагаю, нам нужно исследовать гораздо более сложные модели нейронов. В частности, нейроны, которые могут размножаться и умирать.

ДЖУЛИАН МИЛЛЕР (2019)

Исследователи продолжают разрабатывать инновации в этой области. Джулиан Миллер, например, стал пионером такого эволюционного подхода, как декартово генетическое программирование, которое позволит компьютерам развивать электронные схемы. Сегодня Миллера вдохновляет идея создания ОИИ с помощью декартова генетического программирования для совершенствования новых типов нейронных сетей. Тогда как большинство нейронных сетей обучены решать только одну задачу и должны пройти переподготовку, прежде чем смогут выполнять другие, Миллер создает искусственный мозг, который способен справиться со множеством задач, используя небольшой набор примеров. Его эволюционирующие нейронные сети меняют количество нейронов во время обучения и повторно используют их для выполнения различных задач.

Бесконечность – не предел!

Не все с оптимизмом смотрят на преимущества ОИИ. Некоторые футурологи, философы и писатели-фантасты делают пугающие прогнозы о том, куда в конечном итоге нас может привести эта технология. Они утверждают, что, как только ИИ станет достаточно умным, чтобы разрабатывать себе подобных, появится петля положительной обратной связи: умный ИИ сможет создать еще более умного ИИ, который в свою очередь создаст еще более умного ИИ, и так далее. Такого рода аргументы опираются на закон Мура, который гласит, что число транзисторов в микросхеме удваивается примерно каждые два года (а скорость процессоров удваивается каждые 18 месяцев). Сторонники этой идеи полагают, что экспоненциальное увеличение скорости компьютеров неизбежно приведет к появлению суперинтеллекта. Однажды, считают они, мы достигнем «технологической сингулярности[18]» – когда рост подобных ИИ станет неуправляемым, что приведет к потенциальной катастрофе для человечества.

Я установил дату сингулярности, когда произойдет глубокая и разрушительная трансформация человеческих возможностей, – 2045 год. Созданный в этот год небиологический интеллект окажется в миллиард раз мощнее, чем весь человеческий интеллект сегодня.

РЭЙМОНД КУРЦВЕЙЛ (2005)

За развитием подобных сюжетов интересно наблюдать в научно-фантастических фильмах и книгах, но в реальном мире их следует воспринимать как ложку дегтя. Развитие технологии ИИ выиграло от увеличения вычислительной мощности и доступности бóльших наборов данных для тренировки алгоритмов машинного обучения. Но успехи в области ИИ всегда связаны с улучшением алгоритмов, а не с частотой процессора. (И ночи ИИ обусловлены разочарованиями – тем, что алгоритмы не оправдали надежды.) Каждый алгоритм предоставляет захватывающие новые возможности, но ни один из них не решит всех проблем. Новые проблемы требуют новых алгоритмов для их решения (так же, как различные задачи, которые мы выполняем, задействуют разные области нашего мозга), а темпы инноваций ограничены нашими способностями и нашим уровнем понимания природы интеллекта.

Было бы замечательно, если бы мы могли пойти коротким путем и позволили бы компьютерам разрабатывать самих себя. Однако, несмотря на такие методы, как генетическое программирование, мы отчаянно стараемся заставить компьютеры разрабатывать более совершенные алгоритмы. Сегодня тысячи ученых используют самые современные компьютеры в попытках создать ИИ. Если мы изо всех сил пытаемся создать разум, почему же наши значительно менее умные ИИ будут лучше нас?

Нам не помогает даже экспоненциальный рост. Более того, он оборачивается не в нашу пользу. Каждый раз, когда мы пытаемся сделать ИИ чуть-чуть умнее, мы экспоненциально увеличиваем его возможности. Это дает экспоненциально больше шансов на провал, поэтому мы должны существенно умножить количество тестов и экспериментов, чтобы убедиться в правильности конструкций. В конечном счете данные, полученные в результате исследований ИИ, показывают, что бóльшие возможности означают более медленное развитие. Из физики мы знаем, что для достижения прогресса требуется все больше и больше энергии, как и при достижении скорости, более близкой к скорости света. Нечто подобное, похоже, происходит при создании интеллекта: становится все труднее увеличивать его возможности. Пожалуй, не случайно, что на планете Земля очень мало существ со столь же сложным мозгом, как наш, и что для их создания потребовалось 3,5 миллиарда лет эволюционных экспериментов.

Мы можем быть уверены: не будет никаких сингулярностей, вышедших из-под контроля ИИ. Наши преданные и трудолюбивые ученые и инженеры продолжат свои исследования, медленно изобретая новые алгоритмы и предоставляя ИИ полезные инструменты, чтобы сделать нашу жизнь более безопасной и легкой. Возможно, мы никогда не создадим ИИ, соответствующий по уровню продвинутости человеческому мозгу. Или это может занять у нас невообразимо много времени.

Будущее ИИ

Большинство исследований в области ИИ не имеет ничего общего с суперинтеллектом, или ОИИ. В основном они посвящены поиску решений конкретных проблем: чат-робот, отвечающий на запросы в колл-центре; автоматизированные алгоритмы вождения, помогающие управлять машиной на автостраде или во время парковки; более продвинутые роботы, автоматизирующие скучные производственные процессы; системы контроля качества, позволяющие фабрикам минимизировать бракованную продукцию; носимая электроника, своевременно выявляющая заболевания; социальные роботы, обеспечивающие уход за людьми с ограниченными возможностями и пожилыми; интернет-боты, отвечающие на наши вопросы; системы обнаружения мошенничества, отслеживающие транзакции и предупреждающие о том, что банковские реквизиты или личные данные могли быть украдены, и так далее. Что бы ни представлял собой ИИ, каждая такая технология призвана упростить нам определенную задачу, помочь в конкретном деле. Появятся новые удивительные ИИ и роботы. Они станут частью нашего общества, будут помогать нам или даже станут частью нас, как носимая электроника или умные протезы.

Не всем нравится такое видение будущего. Как вы помните, некоторые люди предполагают, что миллионы рабочих мест будут потеряны из-за ИИ и роботов. Заменят ли роботы рабочих на заводах? А чат-боты – сотрудников колл-центров? Ответ на эти и подобные вопросы вполне может оказаться утвердительным. Но в подобных процессах нет ничего принципиально нового. Мы всегда постепенно привыкаем к очередному изобретению и в результате меняем наш образ жизни. Знания устаревают, возникают новые специальности. Сегодня мало кузнецов и много фабричных рабочих. Завтра может стать меньше рабочих и больше роботов-менеджеров и инженеров по обслуживанию роботов. Технологии быстро меняются, и наше общество меняется вместе с ними. Но с такой же скоростью появляются и новые возможности. Автомобили без водителей будут нуждаться в совершенно иной дорожной инфраструктуре, других способах продажи и обслуживания. Индустрия компьютерных игр стремительно развивается, и ей требуются таланты во всех областях – от специалистов по компьютерному моделированию до писателей и актеров. Хранение данных и аналитика – и все, что связано с данными, – процветает, и каждый день появляются новые виды деятельности. Например, социальные медиа – область рекламы с открытыми рабочими местами и возможностями для карьеры. Возникают новые формы интерактивных развлечений, управляемые ИИ и носимой электроникой. Каждая новая технология нуждается в людях: ее необходимо создавать, тестировать, использовать, настраивать, регулировать, ремонтировать. Работа сегодня не та, что раньше. И причина этого не ИИ или роботы, а человеческий прогресс.

В конечном счете ИИ и робототехника всегда очаровывали нас и порой приводили в замешательство – возможно, потому, что мы интересуемся собой. Уникально в этой технологии то, что появление действительно разумного ИИ может помочь нам постичь, как работают мозг и тело человека. Чтобы преуспеть в создании наших искусственных «детей», мы должны тщательно изучить себя и свое поведение. Понять, как наши взаимодействия помогают нам развиваться и вместе работать. Узнать об эмоциях, самосознании и о том, как мы принимаем решения; каким образом наши действия влияют на нас самих и окружающих; что значит быть нравственными и как понятие о морали и уважение к жизни должны быть включены во все, что мы делаем. Узнать, что мы тесно связаны с нашей средой, которая меняет нас так же, как мы меняем ее. ИИ – это непрекращающееся путешествие в поисках открытий. Возможно, если мы пойдем по этому длинному и сложному пути, то сможем стать лучше.

Словарь

Абстракция – процесс упрощения и фокусирования внимания только на существенных деталях.

Автономный автомобиль (беспилотный автомобиль, автомобиль с автоматическим управлением, автомобиль-робот, автомобиль без водителя) – транспортное средство, управляемое ИИ, который может частично или полностью взять на себя функции водителя.

Автономный робот – робот, демонстрирующий высокую степень автономии поведения.

Агентное моделирование – использование программных агентов в различных комбинациях для моделирования естественных или физических систем.

Алгоритм – метод, используемый компьютером для выполнения конкретной задачи.

Алгоритм обратного распространения ошибки – метод обучения искусственных нейронных сетей.

Алгоритм поиска – алгоритм, выполняющий поисковую задачу: найти один или несколько элементов, обладающих определенным свойством, во множестве, чтобы решить проблему.

Большие данные – массивы данных, требующие специального анализа.

Глубокое обучение – методы машинного обучения, обычно основанные на искусственных нейронных сетях с несколькими скрытыми уровнями, которые изучают представленные данные. Обучение может осуществляться с полным или неполным контролем, а также быть неконтролируемым.

Импульсная нейронная сеть – тип искусственной нейронной сети, в которой информация передается способом, подобным тому, каким это делают биологические нейроны, обмениваясь импульсами.

Искусственная иммунная система – алгоритмы, основанные на принципах действия иммунной системы живого организма.

Искусственная нейронная сеть – алгоритмы машинного обучения, вдохновленные работой нейронных сетей в человеческом мозге.

Капсульная нейронная сеть – тип искусственной нейронной сети, которая может использоваться для улучшения моделей иерархических отношений, основанных на биологической нейронной организации.

Когнитивная наука – совокупность научных дисциплин, занимающихся исследованием разума.

Компьютерное зрение – алгоритмы распознавания, обработки и интерпретации изображений и видео с целью извлечения из них информации.

Массив данных – упорядоченная совокупность однородных данных, используемых, в частности, для обучения. Обычно подразделяются на массивы для обучения алгоритма, проверочные массивы, применяемые при настройке параметров алгоритма, и тестовые массивы, необходимые для определения точности данных.

Машинное обучение – процесс обучения искусственных нейронных сетей построению алгоритмов на основе имеющихся массивов данных.

Многоагентные вычисления – алгоритмы, в рамках которых несколько программных агентов взаимодействуют для решения задачи.

Нечеткая логика – форма многозначной логики, использующая лингвистические переменные.

Обработка естественного языка – ветвь ИИ, занимающаяся анализом текстовых или других неструктурированных данных на естественном языке.