Искусственный интеллект. Иллюстрированная история. От автоматов до нейросетей

В 2015 г. большая группа экспертов по ИИ выступила с открытым письмом, адресованным Международной конференции по ИИ и предупреждающим об опасности военного применения не контролируемого человеком автономного наступательного оружия. По их мнению, это может привести к глобальной гонке вооружений с использованием ИИ. В числе прочих письмо подписали Стивен Хокинг, Илон Маск, Стив Возняк и Ноам Хомский.

СМ. ТАКЖЕ «Заимствованный разум» Теслы (1898), Три закона робототехники Азимова (1942), «Колосс: проект Форбина» (1970), Этика искусственного интеллекта (1976), Автономные роботы-хирурги (2016), Состязательные примеры (2018)

На иллюстрации изображен смертоносный дрон, атакующий вражеские танки после визуального распознавания и подтверждения цели с помощью ИИ.

Искусственные нейронные сети. 1943

Искусственные нейросети иногда схематично изображают в виде слоеного пирога. Слои состоят из нейронов (простых вычислительных единиц), которые возбуждаются и передают возбуждение другим связанным нейронам. При этом разные весовые коэффициенты определяют, какой именно объем возбуждения должен передаваться дальше. Изначально веса и их граничные значения назначаются случайным образом, но постепенно корректируются, пока система учится выполнять задачи – например, распознавать на картинках слонов, анализируя многочисленные изображения, помеченные как «слон» и «не слон». Сегодня нейросети находят практическое применение в играх, управлении транспортом, разработке лекарств, диагностике рака по медицинским снимкам, переводах и во многих других областях.

Некоторые из базовых вычислительных моделей, применяемых в нейросетях, были рассмотрены нейрофизиологом Уорреном Маккалоком (1898–1969) и логиком Уолтером Питтсом (1923–1969) в статье 1943 г. «Логическое исчисление идей, относящихся к нервной активности», опубликованной в «Бюллетене математической биофизики». В 1957 г. Фрэнк Розенблатт (1928–1971) создал перцептронный алгоритм распознавания образов, который впоследствии был реализован на компьютере. В XXI в. ценность нейросетей возросла благодаря использованию распределенных вычислений (вычислений на разных компьютерах, объединенных в сеть) и графических процессоров.

Искусственные нейросети, созданные по принципу биологических сетей нейронов, используются в машинном обучении: компьютеры «учатся», не будучи специально запрограммированными на выполнение какой-либо задачи. Одна из проблем, связанных с нейросетями, заключается в том, что входными данными можно намеренно манипулировать, обманывая нейросеть и заставляя ее выдавать заведомо неверные ответы. И все же, размышляя о недавних примерах полезного применения нейросетей, сотрудник компании Google, эксперт по ИИ Джефф Дин (р. 1968) замечает: «Тот этап эволюции, на котором у животных развились глаза, стал большим шагом вперед. Теперь глаза есть и у компьютеров».

СМ. ТАКЖЕ Обучение с подкреплением (1951), Перцептрон (1957), Машинное обучение (1959), Глубокое обучение (1965), Компьютерное искусство и DeepDream (2015)

Искусственные нейросети устроены по принципу биологических сетей нейронов – вроде тех, по которым передаются сигналы в головном мозге.

ЭНИАК. 1946

В 1946 г. газеты пестрели восторженными отзывами об ЭНИАКе и рассуждениями о будущем думающих машин. «Механический мозг расширяет человеческие горизонты», – писала Philadelphia Inquirer. «Калькулятор посрамил человека», – выносила приговор Cleveland Plain Dealer; в той же статье говорилось о «новой эпохе в сфере человеческой мысли». Внимание СМИ к успехам в электронном воплощении мышления наряду с другими технологическими достижениями естественным образом подталкивало мир к изучению новых возможностей ИИ.

ЭНИАК («Электронный числовой интегратор и вычислитель») был построен в Пенсильванском университете американскими учеными Джоном Мокли (1907–1980) и Джоном Эккертом (1919–1995). Это устройство стало одним из первых электронных перепрограммируемых цифровых компьютеров, которые использовались для решения широкого круга вычислительных задач. Изначально ЭНИАК создавался для расчетов баллистических таблиц для армии США, однако его первое важное применение было связано с разработкой водородной бомбы.

Создание ЭНИАКа обошлось почти в 500 тысяч долларов. Аппарат был представлен в 1946 г. и почти непрерывно использовался до 2 октября 1955 г., когда был выключен окончательно. Машина содержала более 17 тысяч электронных ламп и около пяти миллионов спаянных вручную соединений. Для ввода и вывода данных использовались устройство для считывания перфокарт и карточный перфоратор. В 1995 г. группа студентов-инженеров под руководством профессора Яна ван дер Шпигеля в точности воссоздала тридцатитонный ЭНИАК на одной интегральной схеме!

Среди других важных электрических вычислительных машин 1930–1940-х гг. следует упомянуть американский компьютер Атанасова – Берри (представленный в октябре 1939 г.), немецкий Z3 (май 1941 г.) и британский «Колосс» (декабрь 1943 г.). Но, в отличие от ЭНИАКа, эти машины либо не были полностью электронными, либо имели узкое назначение.

Авторы патента на ЭНИАК (№ 3120606, зарегистрирован в 1947 г.) писали: «С приходом сложных вычислений в повседневную жизнь скорость расчетов вышла на первый план, и сегодня на рынке нет машины, способной полностью удовлетворить спрос на современные вычислительные методы… Данное изобретение призвано сократить длительность расчетов до нескольких секунд…»

СМ. ТАКЖЕ Счеты (ок. 190 до н. э.), Механический компьютер Бэббиджа (1822), «Гигантские мозги, или Машины, которые думают» (1949)

ЭНИАК был одним из первых электронных перепрограммируемых цифровых компьютеров, которые использовались для решения широкого круга вычислительных задач. Машина содержала более 17 тысяч электронных ламп.

«Гигантские мозги, или Машины, которые думают». 1949

В 1949 г. американский информатик Эдмунд Беркли (1909–1988) опубликовал книгу «Гигантские мозги, или Машины, которые думают» – вероятно, первое популярное издание о компьютерах для широкой аудитории. Книга была примечательна тем, что в ней поднимались вопросы о целесообразности употребления слов «мозг» и «думать» по отношению к компьютерам. Эти вопросы остаются открытыми и по сей день. Беркли писал: «В последнее время мы часто слышим о странных гигантских машинах, которые могут мастерски и с огромной скоростью обрабатывать информацию. Они проводят расчеты и логически рассуждают. Некоторые из них особенно умны – они способны решать гораздо больше различных задач… Им под силу проблемы, для решения которых жизнь человека слишком коротка… Примерно так выглядел бы мозг, если бы был сделан из железа и проволоки, а не из плоти и нервов. Поэтому вполне логично называть эти машины механическими мозгами».

Поразительный факт: когда Беркли писал свою книгу, электронные компьютеры были практически неизвестны широкой публике. Существовало лишь небольшое число таких «гигантских мозгов», и Беркли описывает некоторые из них. Это, например, дифференциальный анализатор № 2 в Массачусетском технологическом институте, Mark I в Гарвардском университете (также известный как «автоматический вычислитель, управляемый последовательностями» компании IBM), ЭНИАК в Школе Мура, универсальный релейный калькулятор в Bell Laboratories и логическая машина Калина – Беркхардта, созданная двумя студентами Гарварда. В примечаниях к изданию 1961 г. Беркли выдвигает предположение, что когда-нибудь машины смогут освоить даже интуитивное мышление: «Возможно, интуитивное мышление – это очень быстрый перебор возможных вариантов в уме вкупе с очень быстрой их оценкой: человек приходит к некоему выводу, почти не осознавая, как этот вывод был получен. В этом случае, конечно, можно запрограммировать компьютеры таким образом, чтобы они проявляли то, что мы называем интуитивным мышлением, – с той лишь разницей, что метод получения выводов нам будет известен».

СМ. ТАКЖЕ «Левиафан» Гоббса (1651), Мельница Лейбница (1714), ЭНИАК (1946), «Колосс: проект Форбина» (1970), «Назовем их искусственными пришельцами» (2015)

«Гигантский мозг». На фото – индикаторы последовательности и переключатели компьютера Mark I («автоматического вычислителя, управляемого последовательностями» компании IBM) в здании исследовательского центра Гарвардского университета.

Тест Тьюринга. 1950

Французский философ Дени Дидро (1713–1784) однажды заметил: «Если бы нашелся попугай, способный ответить на любые вопросы, я без колебаний назвал бы его разумным существом». Это подводит нас к вопросу: можно ли считать разумными созданиями, способными «думать», запрограммированные должным образом компьютеры? В 1950 г. английский информатик Алан Тьюринг попытался ответить на этот вопрос в своей знаменитой статье «Вычислительные машины и разум», опубликованной в журнале Mind. Он предположил, что если бы компьютер вел себя так же, как человек, то мы могли бы назвать его разумным. Далее Тьюринг предложил особый тест для оценки интеллекта компьютера. Представим, что компьютер и человек в текстовой форме отвечают на текстовые вопросы экзаменатора-человека, который не видит, кто или что ему отвечает. Если после изучения ответов экзаменатор не сможет отличить компьютер от человека, это будет означать, что компьютер успешно прошел типовую версию того, что сегодня называется тестом Тьюринга.

В наше время каждый год проводится конкурс на Премию Лёбнера, в котором программисты соревнуются в создании программ, наиболее близких к прохождению теста Тьюринга. Конечно, тест Тьюринга уже многие годы вызывает активные дискуссии, в которых поднимаются сложные вопросы. Например, если компьютер на самом деле окажется гораздо «умнее» людей, ему придется прикинуться менее умным, поскольку тест предполагает имитацию человеческого поведения. Поэтому, чтобы перехитрить жюри, разработчики часто используют обманные и неожиданные приемы: опечатки, изменение темы беседы, шутки, встречные вопросы судьям и т. д. В 2014 г. робот-собеседник, разработанный программистами из России и Украины, прошел версию теста Тьюринга, представившись тринадцатилетним украинским мальчиком Женей Густманом.

Еще одна проблема, связанная с тестом Тьюринга, заключается в том, что его результат во многом зависит от уровня подготовки судей. Однако что бы ни говорилось о способности теста выявлять «интеллект», он определенно вдохновляет на творчество программистов и разработчиков.

СМ. ТАКЖЕ «Дарвин среди машин» (1863), «Гигантские мозги, или Машины, которые думают» (1949), Обработка естественного языка (1954), Психотерапевт ELIZA (1964), Китайская комната (1980), Парадокс Моравека (1988)

Тест Тьюринга проверяет способность машины демонстрировать разумное поведение, неотличимое от поведения человека.

«Человеческое использование человеческих существ». 1950

Норберт Винер (1894–1964), авторитетный американский математик и философ, был одним из отцов кибернетики – дисциплины, которая изучает обратную связь во многих областях человеческой деятельности и технологий. По словам эксперта по ИИ Даниэля Кревье, Винер считал, что механизмы обратной связи – это «устройства обработки информации: они получают информацию и принимают решения на ее основе. Винер высказывал гипотезу, что все разумное поведение – следствие работы механизмов обратной связи; возможно, и разум как таковой – результат получения и обработки информации».

В своей книге «Человеческое использование человеческих существ» (1950) Винер размышляет о том, каким образом люди будут сотрудничать с машинами. Его идеи, безусловно, актуальны и в нашу эпоху почти непрерывной электронной коммуникации: «Главный тезис этой книги состоит в том, что общество можно понять только путем изучения его информационных посланий и средств связи и что в будущем развитие коммуникации и средств связи между человеком и машинами, машинами и человеком, а также между машиной и машиной будет играть все более важную роль».

Винер прозорливо отмечал, что в будущем понадобится создать обучаемые машины, но вместе с тем предупреждал, как опасно делегировать процессы принятия решений машинам, мыслящим буквально: «Любая машина, построенная для принятия решений, если она не способна к обучению, будет мыслить исключительно буквально. Горе нам, если мы доверим ей руководить нами, не изучив прежде ее принципов действия и не убедившись, что она будет работать по приемлемым для нас правилам! [Машина, которая] способна учиться и принимать решения на основе обучения, вовсе не будет обязана принимать такие решения, которые приняли бы мы сами или которые будут для нас приемлемы. [Делегировать ответственность машине], способной или неспособной к обучению, – все равно что бросить ответственность на ветер и увидеть, как она возвращается вместе с бурей».

Эти предостережения актуальны и сегодня, когда многие футурологи говорят о необходимости сделать общий ИИ безопасным.

СМ. ТАКЖЕ «Дарвин среди машин» (1863), «Заимствованный разум» Теслы (1898), Дартмутский семинар по искусственному интеллекту (1956), Интеллектуальный взрыв (1965), Глубокое обучение (1965)

Норберт Винер писал, что машина, которая «способна учиться и принимать решения на основе обучения, вовсе не будет обязана принимать такие решения, которые приняли бы мы сами или которые будут для нас приемлемы».

Обучение с подкреплением. 1951

Обучение с подкреплением напоминает поведение подопытных кошек, желающих получить вознаграждение. В начале ХХ в. психолог Эдвард Торндайк (1874–1949) помещал кошек в клетки, из которых можно было выбраться, только наступив на рычаг. После некоторых блужданий по клетке кошка в конце концов случайно наступала на рычаг, дверца открывалась, и животное получало что-то в награду – например, еду. По мере того как кошки учились связывать нужное действие с вознаграждением, они сбегали из клетки все быстрее и в итоге нажимали на рычаг сразу после попадания в клетку.

В 1951 г. ученый-когнитивист Марвин Мински (1927–2016) и его студент Дин Эдмундс сконструировали SNARC – нейросетевую машину, состоящую из 3000 электронных ламп, которые имитировали 40 связанных нейронов. Мински использовал эту машину для изучения сценария, в котором условная крыса бегала по лабиринту. Когда крыса случайно совершала последовательность полезных движений и выбегала из лабиринта, связи, соответствующие этим движениям, усиливались, тем самым подкрепляя желаемое поведение и ускоряя обучение. Среди других ранних примеров устройств для обучения с подкреплением следует отметить системы для игры в шашки (1959), крестики-нолики (1960) и нарды (1992).

Как следует из этих примеров, обучение с подкреплением – это разновидность машинного обучения, которое предполагает прохождение определенных состояний в поисках вознаграждения или максимизации ожидаемого совокупного вознаграждения. «Ученик» (программный агент) совершает множество действий, чтобы выяснить, какие из них приносят наибольшее вознаграждение. Сейчас обучение с подкреплением часто совмещают с глубоким обучением, при котором задействуется крупная нейросеть, зачастую для распознавания закономерностей в данных. При обучении с подкреплением системы и машины учатся без заранее сформулированных инструкций. Это означает, что беспилотные автомобили, промышленные роботы и дроны развивают и совершенствуют свои навыки методом проб и ошибок, постепенно накапливая опыт. Однако широко применять подобный метод проблематично: он требует огромных массивов данных и тренировочных симуляций.

СМ. ТАКЖЕ Крестики-нолики (ок. 1300 до н. э.), Искусственные нейронные сети (1943), Машинное обучение (1959), Победа над чемпионом мира по коротким нардам (1979), Шашки и искусственный интеллект (1994)

Обучение с подкреплением – метод обучения программных агентов полезным действиям для максимизации общего вознаграждения. Среди ранних примеров применения метода – решение для прохождения лабиринтов, а также системы для игры в шашки, крестики-нолики и короткие нарды.

Распознавание речи. 1952

Недавно журнал Economist приравнял использование современных устройств с технологией распознавания речи к «произнесению магического заклинания», которое позволяет людям «управлять миром с помощью одних только слов». Это перекликается с утверждением писателя Артура Кларка: любая достаточно развитая технология неотличима от магии. «Стремительное развитие технологий обработки голоса подтверждает тезис Кларка… Скажите несколько слов в пространство – и ближайшее устройство исполнит ваше желание».

Теория и практика машинного распознавания звучащей речи имеют долгую историю. В 1952 г. Bell Laboratories разработала на основе ламповой схемы систему AUDREY, которая понимала произносимые вслух числа. Десять лет спустя на Всемирной выставке 1962 г. в Сиэтле была представлена машина IBM Shoebox: она распознавала шестнадцать слов, включая цифры от 0 до 9, и выполняла арифметические операции, если слышала такие слова, как «плюс». В 1987 г. американский производитель игрушек Worlds of Wonder создал куклу Джули, которая понимала несколько простых фраз и отвечала на них.

Технологии машинного распознавания речи значительно эволюционировали. Поначалу в них использовалась скрытая марковская модель – статистический метод предсказания того, соответствует ли звук слову. В наше время для достижения высокой точности распознавания применяется глубокое обучение (то есть искусственные нейросети с множеством слоев). Например, система распознавания речи может слышать звуковой поток в шумной среде и строить «догадки» о том, что говорится, определяя вероятность появления разных слов и фраз, с которыми она сталкивалась в тренировочных текстах. Специальные приложения могут располагать данными о вероятности использования той или иной фразы и определять, например, следует ли ранжировать слова «аневризма брюшной аорты» высоко или низко, с учетом того, услышаны ли они системой голосового ввода в рентгеновском кабинете или автомобильной системой, ожидающей простой команды.

Сегодня многочисленные цифровые помощники – в наших домах, автомобилях, офисах и мобильных телефонах – отвечают на голосовые команды и вопросы и пишут заметки под нашу диктовку. Речевой ввод также облегчает жизнь слабовидящим и людям с ограниченными физическими возможностями.

СМ. ТАКЖЕ Синтез речи (1939), Искусственные нейронные сети (1943), Обработка естественного языка (1954)

Устройство IBM Shoebox слушало, как оператор произносит цифры и арифметические команды, например: «Пять плюс три плюс восемь минус девять. Сумма».

Обработка естественного языка. 1954

В 1954 г. вышел пресс-релиз IBM: «Сегодня электронный „мозг“ впервые осуществил перевод с русского языка на английский. Знаменитый компьютер 701 за несколько секунд перевел текст на удобочитаемый английский язык. Девушка, не понимавшая ни слова на языке Страны Советов, выбивала на перфокартах русские фразы». Далее сообщалось, что «„мозг“ печатает английские переводы на принтере с невероятной скоростью – две с половиной строки в секунду».

В 1971 г. информатик Терри Виноград (р. 1946) написал программу SHRDLU, которая переводила человеческие команды («поместить красный кубик рядом с синей пирамидой») в физические действия. В наше время под обработкой естественного языка понимается множество ИИ-технологий, включая распознавание речи, восприятие естественных языков (то есть понимание машиной прочитанного) и синтез речи. Одна из целей этого направления состоит в том, чтобы упростить взаимодействие между человеком и компьютером.

Поначалу для обработки естественного языка использовались сложные наборы правил, прописанных вручную; но с 1980-х гг. их заменили алгоритмы машинного обучения: машины самостоятельно осваивают правила путем анализа больших наборов данных, то есть входного языкового материала. К типичным задачам обработки языка относятся машинный перевод, ответы на вопросы («Как называется столица Франции?»), анализ тональности текста (отношение говорящего к теме) и т. д. Системы обработки естественного языка, анализирующие входные данные из текстов, аудио и видео, фильтруют спам в электронной почте, конспектируют длинные статьи и отвечают на вопросы в приложениях для смартфонов.

Обработка естественного языка сопряжена со многими трудностями. В живой речи звуки соседних слов сливаются друг с другом, и вычислительная система должна учитывать синтаксис (грамматику), семантику (значения слов) и прагматику (цель высказывания или намерение говорящего), а также контекст высказывания. Сегодня точность обработки языка удается повысить за счет широкого применения искусственных нейросетей.

СМ. ТАКЖЕ Синтез речи (1939), Искусственные нейронные сети (1943), Тест Тьюринга (1950), Распознавание речи (1952), Машинное обучение (1959), «Симбиоз человека и компьютера» Ликлайдера (1960), Психотерапевт ELIZA (1964), SHRDLU (1971), Параноик PARRY (1972), Watson участвует в телевикторине (2011)

В 1954 г., во время знаменитой демонстрации научного проекта, известного как Джорджтаунский эксперимент, русский текст был автоматически переведен на английский язык «электронным мозгом» – компьютером IBM 701, представленным на фото.

Дартмутский семинар по искусственному интеллекту. 1956

«Летом 1956 года, когда Элвис Пресли эпатировал публику вращениями бедер… а президент Дуайт Эйзенхауэр провозгласил фразу “На Бога уповаем” национальным девизом США, состоялась первая официальная конференция по ИИ», – пишет журналист Люк Дормель. Именно там, на Дартмутском летнем исследовательском семинаре по искусственному интеллекту, начал употребляться сам термин «искусственный интеллект», предложенный информатиком Джоном Маккарти (1927–2011).

Семинар был организован по инициативе Маккарти из Дартмутского колледжа, Марвина Мински (1927–2016) из Гарвардского университета, Натаниэля Рочестера (1919–2001) из IBM и Клода Шеннона (1916–2001) из Bell Telephone Laboratories. Свою заявку они сформулировали так: «Мы предлагаем исследование искусственного интеллекта сроком в 2 месяца с участием 10 человек летом 1956 г. … Исследование основано на предположении, что всякий аспект обучения или любое другое свойство интеллекта теоретически можно описать настолько точно, что машина сможет его смоделировать. Мы попытаемся выяснить, как обучить машины использовать естественные языки, формировать абстракции и концепции, решать задачи, сейчас подвластные только людям, и улучшать самих себя… Мы считаем, что вполне возможен существенный прогресс, если специально подобранная группа ученых будет работать над проблемой в течение лета». В заявке также упоминается ряд других ключевых областей исследования, в том числе «нейронные сети» и «случайность и творчество».

Во время мероприятия Аллен Ньюэлл (1927–1992) и Герберт Саймон (1916–2001) из Университета Карнеги – Меллона представили программу Logic Theorist для автоматического доказательства теорем с помощью математической логики. Автор книг об ИИ Памела Маккордак так пишет о Дартмутском семинаре: «Они были убеждены… что то, что мы называем мышлением, действительно может происходить вне человеческого черепа, что его можно изучить формальными и научными методами и что лучший инструмент для этого, помимо человека, – цифровой компьютер».

Отчасти из-за сложности технологий ИИ, отчасти из-за того, что участники мероприятия приезжали и уезжали в разные даты, ожидания от конференции не вполне оправдались. Тем не менее Дартмутский семинар собрал вместе самых разных исследователей, которые задавали тон в этой области в течение следующих двадцати лет.

СМ. ТАКЖЕ Искусственные нейронные сети (1943), Обработка естественного языка (1954), «Симбиоз человека и компьютера» Ликлайдера (1960)

Дартмутский летний семинар считается важной вехой в истории искусственного интеллекта. Именно там получил путевку в жизнь сам термин «искусственный интеллект», предложенный информатиком Джоном Маккарти (на фотографии он в 1974 г.).

Перцептрон. 1957

В наше время искусственные нейросети используются в бесчисленных приложениях: для распознавания образов (например, лиц), прогнозирования временных рядов (например, роста или падения цен на акции), обработки сигналов (скажем, фильтрации шума) и многого другого. Одним из важных шагов на пути к полнофункциональным нейросетям (см. главу «Искусственные нейронные сети») было создание перцептронов, которые разработал в 1957 г. психолог Фрэнк Розенблатт (1928–1971). В 1958 г., отчасти под влиянием его энтузиазма, газета New York Times провозгласила перцептрон «зародышем электронного компьютера, который, как ожидается, сможет ходить, говорить, видеть, писать, самовоспроизводиться и осознавать свое существование».

Первоначально перцептрон состоял из трех уровней связанных «нейронов» (то есть простых вычислительных единиц). Первый уровень представлял собой сетку фотоэлементов размером 20 × 20, подобную сетчатке глаза. На втором уровне находились соединительные ячейки, которые получали входные сигналы от фотоэлементов. В исходном состоянии их связи были случайными. Третий уровень содержал элемент вывода, который и называл объект, помещенный перед устройством (например, треугольник). Если перцептрон определял объект верно, исследователи усиливали электрические связи между ячейками, которые привели к распознаванию, если неправильно – ослабляли их.

Первая версия перцептрона была реализована в программном обеспечении на компьютере IBM 704. Для второй версии был создан перцептрон Mark 1 – обучаемая машина, которая могла распознавать некоторые образы за счет изменения силы связей между искусственными нейронами. Математические веса кодировались в потенциометрах, а изменения весов в процессе обучения производились с помощью электродвигателей. Высказывались предположения, что устройство сможет выполнять широкий спектр задач распознавания образов, однако ажиотаж вокруг этой скромной модели превосходил ее возможности, и надежды не оправдались. В 1969 г. Марвин Мински (1927–2016) и Сеймур Паперт (1928–2016) из Массачусетского технологического института опубликовали книгу «Перцептроны», в которой описали недостатки простых перцептронов, и интерес к этой новой области машинного обучения угас. Позднее, однако, стало ясно, что конфигурации искусственных нейронов с большим количеством слоев могут иметь колоссальную ценность и применяться в самых разных сферах.

СМ. ТАКЖЕ Искусственные нейронные сети (1943), Машинное обучение (1959), Глубокое обучение (1965)