Искусственный интеллект. Иллюстрированная история. От автоматов до нейросетей

Первая версия перцептрона была реализована в программном обеспечении на компьютере IBM 704, изображенном на этой фотографии 1957 г. IBM 704 был одним из первых серийных компьютеров для выполнения арифметических действий с плавающей запятой.

Трансгуманизм. 1957

«Появление искусственного интеллекта, вероятно, станет самым значительным событием в истории человеческого вида, – пишет философ-трансгуманист Золтан Иштван (р. 1973). – Идея, конечно, не в том, чтобы позволить искусственному интеллекту развиваться бесконтрольно, вне нашего поля зрения, а в том, чтобы нам самим стать киборгами, отчасти машинами, чтобы подключаться к искусственному интеллекту напрямую, когда потребуется».

Термин «трансгуманизм» ввел в употребление биолог Джулиан Хаксли (1887–1975) в своей книге «Новые мехи для нового вина», опубликованной в 1957 г. Он высказал предположение, что «человеческий вид может… превзойти себя… реализовав новые возможности человеческой природы ради нее самой… Человеческий вид окажется на пороге нового способа существования, столь же отличного от нашего, как наш отличается от способа существования синантропа. И таким образом наш вид осознанно исполнит свое истинное предназначение».

Современная концепция трансгуманизма, разделяемая философом-футурологом Максом Мором (р. 1964) и многими другими учеными, предполагает использование технологий для расширения умственных и физических возможностей человека. Идея состоит в том, что когда-нибудь мы наверняка станем «постчеловеками» или даже обретем бессмертие благодаря генетическим манипуляциям, робототехнике, нанотехнологиям, компьютерам или переносу сознания в виртуальные миры – а также благодаря полному пониманию биологических процессов старения. Мы уже учимся использовать интерфейсы «мозг – компьютер», чтобы соединяться с продвинутым ИИ для расширения наших когнитивных способностей, и чем глубже мы понимаем биологический механизм старения, тем ближе мы к бессмертию.

Если бы ваше тело или разум могли существовать вечно, что осталось бы от вашего «я»? Мы все меняемся благодаря своему опыту – но эти изменения происходят постепенно, а значит, сейчас вы почти тот же человек, каким были год назад. Однако, если ваше обычное или улучшенное тело будет непрерывно существовать тысячу лет, за это время ваша психика значительно изменится, и в вашем теле, возможно, окажется совершенно другой человек. Этот тысячелетний человек может совсем не походить на вас. Вы словно перестанете существовать. Не будет определенного момента смерти, в который ваше существование прекратится, но все же вы будете медленно исчезать на протяжении тысячелетий, подобно замку из песка, размываемому океаном времени.

СМ. ТАКЖЕ Мельница Лейбница (1714), Поиски души (1907), «Симбиоз человека и компьютера» Ликлайдера (1960), Жизнь в симуляции (1967), «Искусственный разум» Спилберга (2001)

Американский ученый и экономист Ёсихиро Фрэнсис Фукуяма (р. 1952) назвал трансгуманизм, который предполагает использование технологий для расширения умственных и физических возможностей человека, самой опасной идеей в мире.

Машинное обучение. 1959

Эксперт по ИИ Артур Ли Сэмюэл (1901–1990) считается одним из первых, кто употребил термин «машинное обучение». Термин вошел в обиход благодаря статье Сэмюэла «Некоторые исследования в области машинного обучения на примере игры в шашки», опубликованной в IBM Journal of Research and Development в 1959 г. В статье объяснялось, что «программирование компьютеров для их обучения на опыте» может во многом устранить необходимость в инструкциях для выполнения конкретных задач.

Сегодня машинное обучение стало одним из основных методов вычислений и инструментов искусственного интеллекта. Оно играет важную роль в технологиях компьютерного зрения, распознавания речи, автономных роботов, беспилотных автомобилей, распознавания лиц, фильтрации спама, оптического распознавания символов, рекомендаций товаров, выявления риска раковых заболеваний, обнаружения утечек данных и т. д. Многие формы машинного обучения требуют больших массивов входных данных для «тренировки» системы.

При обучении с учителем алгоритмы получают образцы размеченных данных. На их основе система строит прогнозы для работы с новыми данными. Например, система получает набор из 100 тысяч изображений львов и тигров, которые правильно размечены людьми как «львы» или «тигры». Алгоритм обучения с учителем должен научиться отличать львов от тигров на изображениях, которых он раньше не видел. В машинном обучении без учителя используются неразмеченные данные, и система должна самостоятельно выявлять в них скрытые закономерности, например, определять, что тридцатилетние женщины, которые перестают покупать консервы с тунцом, могут быть беременны, а значит, становятся целевой аудиторией для рекламы детских товаров.

Методы машинного обучения не защищены от ошибок – например, если входные данные необъективны, неверны или намеренно сфальсифицированы. Поэтому нельзя слишком полагаться на автоматизированные методы при принятии решений о выдаче кредита, приеме на работу или одобрении условно-досрочного освобождения. Этот принцип актуален для самых разных областей, где в принятии решений участвуют машины.

СМ. ТАКЖЕ Искусственные нейронные сети (1943), Обучение с подкреплением (1951), Обработка естественного языка (1954), Представление знаний (1959), Глубокое обучение (1965), Генетические алгоритмы (1975), Роевой интеллект (1986), Состязательные примеры (2018)

В 2017 г. ученые из Стэнфорда разработали алгоритм машинного обучения, способный диагностировать пневмонию лучше рентгенологов. На рентгеновском снимке грудной клетки виден плевральный выпот в правом легком.

Представление знаний. 1959

«Чтобы система была интеллектуальной, – пишет информатик Нильс Нильссон, – она должна обладать знаниями о своем мире и уметь делать выводы из этих знаний или, по крайней мере, действовать исходя из них. Как у людей, так и у машин должны быть способы представления необходимых знаний во внутренних структурах, будь то кодирование в белке или кодирование в кремнии». В наше время внимание к ИИ по большей части сосредоточено на машинном обучении и статистических алгоритмах, например для распознавания образов. Однако логическая модель представления знаний по-прежнему играет большую роль во многих областях.

Представление знаний – это область исследований ИИ, связанная с хранением и обработкой информации таким образом, чтобы компьютерные системы могли эффективно ее использовать, например для постановки медицинских диагнозов и выработки юридических рекомендаций, а также для обеспечения работы интеллектуальных диалоговых систем, таких как Сири в iPhone или Алекса в Amazon Echo. В частности, представление знаний может осуществляется с помощью семантической сети, отражающей семантические (то есть смысловые) отношения между понятиями. Семантические сети часто принимают форму графов, вершины которых соответствуют понятиям, а ребра (соединительные линии) указывают на семантические отношения между ними. Разные методы представления знаний находят применение в автоматических рассуждениях, в том числе при автоматическом доказательстве математических теорем.

Среди первых успехов в области представления знаний можно назвать «Универсальный решатель задач» – компьютерную программу, созданную в 1959 г. Алленом Ньюэллом (1927–1992), Гербертом Саймоном (1916–2001) и их коллегами для анализа целей и решения простых задач общего характера (таких, как «Ханойская башня»). А в 1984 г. Дуглас Ленат (р. 1950) инициировал проект Cyc с участием множества аналитиков, которые документировали знания и факты из различных областей, чтобы помочь ИИ-системам рассуждать подобно человеку (в частности, механизм логического вывода Cyc использует дедукцию и индукцию). В настоящее время исследователи в области представления знаний занимаются многими вопросами, в том числе обеспечивают обновление базы знаний и ищут способы устранить неопределенность в системах представления знаний.

СМ. ТАКЖЕ «Органон» Аристотеля (ок. 350 до н. э.), Ханойская башня (1883), Перцептрон (1957), Машинное обучение (1959), Экспертные системы (1965), Нечеткая логика (1965)

Экспертная система MYCIN использовала ИИ для выявления бактерий, вызывающих тяжелые инфекции, и для рекомендации методов лечения. В MYCIN был простой механизм вывода и база знаний примерно из 600 правил. На иллюстрации – бактерии Streptococcus pneumoniae, вызывающие менингит.

«Симбиоз человека и компьютера» Ликлайдера. 1960

В 1960 г. увидела свет основополагающая статья психолога и информатика Джозефа Ликлайдера (1915–1990) под названием «Симбиоз человека и компьютера». Он начинает с описания симбиотических связей инжира и осы Blastophaga: оса опыляет инжир, а ее яйца и личинки, в свою очередь, питаются плодами дерева. Ликлайдер предположил, что люди и компьютеры точно так же могли бы создавать симбиотические связи. В первые годы симбиоза люди ставили бы цели и формулировали гипотезы, а компьютеры прокладывали бы путь к новым открытиям. Некоторые проблемы, по словам Ликлайдера, «просто невозможно сформулировать без помощи вычислительной машины».

Ликлайдер не говорил о компьютеризованных существах, которые могут вытеснить людей; его идеи ближе к концепциям Норберта Винера (1894–1964), основанным на тесном взаимодействии между людьми и машинами. В своей статье он объясняет: «Есть надежда, что… человеческий мозг и вычислительные машины будут очень тесно связаны друг с другом, и это партнерство сможет мыслить так, как никогда не мыслил ни один человеческий мозг, и обрабатывать данные так, как и близко не способны их обрабатывать современные машины».

Ликлайдер также рассуждает о «мыслительных центрах», которые, как он верил, будут выполнять функции традиционных библиотек. По его предположению, для симбиоза потребуются методы обработки естественного языка.

В своей статье Ликлайдер допускает, что «электронные или химические „машины“ превзойдут человеческий мозг в большинстве функций, которые сегодня кажутся нам исключительно его вотчиной», и приводит в качестве примеров игру в шахматы, решение задач, распознавание образов и доказательство теорем. Он уточняет, что «компьютер станет машиной для статистического анализа, будет применяться в теории принятия решений и теории игр, давать элементарные оценки предполагаемых вариантов действий… Наконец, он будет ставить диагнозы, выявлять закономерности и взаимосвязи – в той мере, в какой это себя оправдает…».

В наше время, по прошествии шестидесяти лет, вопросы о возможном союзе человеческого разума и искусственного интеллекта, поднятые в статье Ликлайдера, все еще актуальны. Когда наша связь с машинами станет еще теснее, чем сегодня, будет ли такая симбиотическая личность по-прежнему считаться «человеком»? И захочет ли эта личность вообще отсоединяться от компьютера?

СМ. ТАКЖЕ «Дарвин среди машин» (1863), Обработка естественного языка (1954), Трансгуманизм (1957)

Джозеф Ликлайдер писал: «Есть надежда, что… человеческий мозг и вычислительные машины будут очень тесно связаны друг с другом, и это партнерство сможет мыслить так, как никогда не мыслил ни один человеческий мозг».

Психотерапевт ELIZA. 1964

ELIZA – компьютерная программа, которая отвечает на текстовые сообщения, набранные на естественном языке, имитируя диалог между пользователем и психотерапевтом. Она была создана в 1964 г. информатиком Джозефом Вейценбаумом (1923–2008) и стала одним из первых и наиболее убедительных виртуальных собеседников (диалоговых речевых симуляторов). Вейценбаум был потрясен и расстроен тем, какие глубокие эмоции и какую личную информацию раскрывали некоторые люди при общении с ELIZA: они словно считали ее реальным человеком, способным к сопереживанию.

Программа ELIZA была названа в честь Элизы Дулитл из пьесы «Пигмалион», написанной в 1912 г. ирландским драматургом Джорджем Бернардом Шоу. В пьесе профессор Генри Хиггинс учит необразованную девушку Элизу правильно говорить и тем самым убедительно изображать леди из высшего общества. Аналогичным образом ELIZA Вейценбаума была запрограммирована отвечать на ключевые слова и фразы, создавая иллюзию реального человеческого сопереживания. Некоторые исследователи даже полагали, что эта программа действительно способна помочь людям с некоторыми психологическими проблемами.

Наблюдая за разговорами людей с ELIZA, Вейценбаум все больше беспокоился от того, как они попадают в зависимость от компьютеров и как легко их можно обмануть. В 1966 г. в статье о своей программе он писал: «Машины с ИИ делают удивительные вещи, которых часто достаточно, чтобы поразить даже самых искушенных наблюдателей. Но как только с программы срывается маска, как только объясняются принципы ее работы… ее магия рассыпается в прах; она оказывается простым набором процедур… Наблюдатель думает: „Я и сам мог бы это написать“. С этой мыслью он убирает программу с полки „умное“ и перекладывает на полку для безделушек… Цель этой статьи в том, чтобы вызвать именно такую переоценку программы, которая будет описана далее. Немногие из когда-либо созданных программ нуждались в этом больше».

Сегодня виртуальные собеседники (чат-боты) часто используются в диалоговых системах техподдержки и для различных видов онлайн-помощи и психотерапии. Кроме того, их встраивают в некоторые игрушки, а также применяют для консультаций клиентов онлайн-магазинов или в качестве рекламных агентов.

СМ. ТАКЖЕ Тест Тьюринга (1950), Обработка естественного языка (1954), Параноик PARRY (1972), Этика искусственного интеллекта (1976)

Портрет Элизы Дулитл, продавщицы цветов из пьесы Бернарда Шоу «Пигмалион», написанный художником Уильямом Брюсом Эллисом Ранкеном (1881–1941). Программа ELIZA была названа в честь мисс Дулитл, поскольку та научилась убедительно изображать утонченного и образованного человека, улучшив свои речевые навыки.

Распознавание лиц. 1964

Системы распознавания лиц идентифицируют людей по изображениям или видеозаписям, зачастую сравнивая черты лица (например, относительное расположение глаз и носа) с образцами из базы данных. В ряде современных систем используются трехмерные датчики для сбора информации и повышения точности распознавания при разном освещении и углах обзора, а в некоторых смартфонах для аутентификации пользователя применяется инфракрасная подсветка лица. Точному распознаванию лиц препятствует множество факторов, например аксессуары, такие как шляпы и солнцезащитные очки, или даже макияж; но уже сегодня в некоторых обстоятельствах алгоритмы распознают лица лучше, чем люди. Истоки технологии распознавания лиц можно найти в Англии XIX в., где в 1852 г. на смену негуманным методам клеймения преступников пришла система фотографирования. Это позволяло следить за заключенными и сообщать о них другим полицейским участкам в случае побега. Одним из основоположников более совершенных методов распознавания лиц был математик и информатик Вудро Бледсоу (1921–1995), который работал над этой проблемой в 1964 г. В то время он отмечал, что задачу осложняют повороты и наклоны головы, разное освещение, выражение лица, возраст и т. д. Бледсоу и другие пионеры этой области, как правило, опирались на активное взаимодействие человека с компьютером: людям приходилось вручную зарисовывать схемы лиц по фотографиям с помощью графического планшета (блокнота).

Уже много лет в системах распознавания лиц используются различные технологии, включая алгоритм Eigenface, скрытые марковские модели и динамическое сопоставление ссылок. Как отмечает специалист по технологиям Джесси Дэвис Уэст, распознавание лиц сегодня применяется в нескольких важных сферах: «Правоохранительные органы прибегают к распознаванию лиц для обеспечения безопасности жителей. Розничные магазины предотвращают преступность и насилие. Аэропорты повышают удобство и безопасность путешественников. А производители мобильных телефонов используют технологию распознавания лиц, чтобы предложить клиентам биометрическую защиту нового уровня». И все же остается вопрос: не указывает ли все это на тревожный поворотный момент в истории цивилизации, после которого люди уже не смогут сохранять анонимность в публичном пространстве?

СМ. ТАКЖЕ Распознавание текста (1913), Распознавание речи (1952), Робот AIBO (1999)

Рисунок из патента США № 9703939, выданного на технологию разблокировки мобильного телефона (и доступа к нему) с помощью встроенной камеры и системы распознавания лиц.

Интеллектуальный взрыв. 1965

В 1965 г. британский математик Ирвинг Гуд (1916–2009), одно время работавший криптологом вместе с коллегой-информатиком Аланом Тьюрингом, опубликовал статью под названием «Размышления о первой сверхразумной машине», где высказал опасения по поводу возможного «интеллектуального взрыва». Гуд писал: «Определим сверхразумную машину как машину, способную намного превзойти в интеллектуальной деятельности любого человека, каким бы умным он ни был. Поскольку конструирование машин – один из видов интеллектуальной деятельности, сверхразумная машина будет способна создавать еще более совершенные машины; затем, несомненно, произойдет интеллектуальный взрыв и человеческий разум останется далеко позади. Таким образом, первая сверхразумная машина станет последним изобретением, которое потребуется от человека, – при условии, что машина будет достаточно послушна, чтобы сообщить нам, как держать ее под контролем».

Иными словами, если бы люди создали общий ИИ (который не ограничивался бы узкой областью знаний и возможностей), он смог бы самосовершенствоваться с помощью технологий, позволяющих рекурсивно перестраивать аппаратное и программное обеспечение. В частности, общий ИИ мог бы использовать нейросети и эволюционные алгоритмы для создания сотен отдельных модулей, которые стали бы взаимодействовать и сотрудничать со все возрастающей сложностью, скоростью и эффективностью. Попытки ограничить или изолировать потенциально опасный ИИ от интернета могут потерпеть неудачу. И даже если он запрограммирован с благими целями, например для производства лампочек, что делать, если он решит превратить в завод по производству лампочек всю Северную Америку?

Конечно, можно назвать много причин, по которым появление такого сверхразума маловероятно (например, необходимость полагаться на неторопливых людей и медленные аппаратные сети). С другой стороны, вполне возможно, что интеллектуальный взрыв принес бы огромную пользу человечеству в лечении болезней и решении экологических проблем. Но к каким социальным последствиям может привести появление сверхразумного оружия – или, скажем, искусственных компаньонов, которые будут демонстрировать интеллект и проявлять (симулированную) эмпатию, превосходя в этом наших супругов?

СМ. ТАКЖЕ «Дарвин среди машин» (1863), Смертоносные боевые роботы (1942), «Человеческое использование человеческих существ» (1950), Герметичный ящик для искусственного интеллекта (1993), Максимизатор скрепок (2003), «Назовем их искусственными пришельцами» (2015)

В 1965 г. Ирвинг Гуд выразил опасения по поводу возможного «интеллектуального взрыва», в результате которого ИИ будет создавать все более совершенные версии самого себя.

Экспертные системы. 1965

По словам журналиста Люка Дормеля, экспертные ИИ-системы – это «попытки создать клоны экспертов-людей… путем извлечения их специальных знаний и превращения в набор вероятностных правил». В лучшем случае экспертные системы можно использовать так: загружать знания и опыт гастроэнтеролога, финансового консультанта или юриста в компьютеризированное устройство, чтобы ИИ давал на их основе полезные советы всем желающим.

Исследования в области экспертных систем начались в 1960-е гг. Тогда эти системы состояли из базы знаний (содержащей представления фактов и правил) и механизмов логического вывода (для применения правил и выполнения оценок). Правила могли иметь вид «если…, то», например: «Если у пациента из данной демографической группы проявляется данный симптом, то у него с определенной вероятностью развивается определенное заболевание».

Экспертные системы применяются для диагностики, прогнозирования, планирования и классификации в самых разных областях, таких как медицина, оценка страховых рисков, геологоразведка, и т. д. У наиболее удобных экспертных систем механизм логического вывода также выдает разъяснения, чтобы пользователь мог понять ход рассуждений. Одной из первых известных экспертных систем стала Dendral (сокращение от dendritic algorithm – ветвящийся алгоритм), созданная в Стэнфордском университете в 1965 г., чтобы помочь химикам идентифицировать неизвестные органические вещества по их масс-спектрам. В 1970-е гг. в том же Стэнфорде была разработана ИИ-система MYCIN для диагностики бактериальных инфекций и рекомендации антибиотиков и их дозировки. Первые экспертные системы часто создавались на языках Лисп и Пролог.

При разработке экспертных систем часто возникают проблемы, связанные с получением и кодификацией знаний от занятых узких специалистов или из книг и статей. Кроме того, бывает непросто представить знания в виде набора фактов и правил, с которыми будут согласны все эксперты, а также присвоить им весовые коэффициенты (для обозначения вероятности или важности). Сегодня многие люди пользуются «рекомендательными системами» – смежной технологией ИИ, которая больше ориентирована на предсказание предпочтений пользователей в разных областях, от фильмов и книг до финансовых услуг и потенциальных брачных партнеров.

СМ. ТАКЖЕ «Человеческое использование человеческих существ» (1950), Представление знаний (1959), Глубокое обучение (1965)

Экспертные ИИ-системы часто создаются путем извлечения специальных знаний людей (на этом рисунке они изображены в виде светящихся лампочек). Экспертная информация при этом преобразуется в набор вероятностных правил.

Нечеткая логика. 1965

«Теория нечетких множеств применяется в коммерческих экспертных системах и устройствах для управления поездами и лифтами, – пишет ученый Джейкоби Картер. – Ее также объединяют с нейросетями для управления производством полупроводников. Благодаря встраиванию нечеткой логики и нечетких множеств в производство были заметно улучшены многие ИИ-системы. Этот подход оказался особенно эффективным в случаях с неоднозначными данными или недостаточно изученными правилами».

Классическая двузначная логика имеет дело с условиями, которые либо истинны, либо ложны. Теория нечетких множеств, описывающая элементы множеств с разными степенями принадлежности, была предложена математиком и информатиком Лотфи Заде (1921–2017) в 1965 г., а в 1973 г. Заде представил подробное описание нечеткой логики, которая выводится из теории нечетких множеств и предполагает существование непрерывного диапазона истинностных значений.

Нечеткая логика находит применение в самых разных сферах. В качестве примера можно привести устройства с системой контроля температуры. Функция принадлежности применима к понятиям «холодный», «теплый» и «горячий», но одному замеру могут соответствовать три значения, такие как «не холодный», «слегка теплый» и «слегка горячий». Заде считал, что если запрограммировать регуляторы в цепи обратной связи на работу с неточным, зашумленным вводом, то они будут более эффективны и просты в реализации.

Одно из значимых событий в истории нечеткой логики произошло в 1974 г., когда Ибрагим Мамдани (1942–2010) из Лондонского университета использовал ее для управления паровым двигателем. В 1980 г. нечеткая логика была применена для регулировки цементной печи. Японские компании использовали нечеткую логику для управления процессами очистки воды и железнодорожными сетями. Сегодня она применяется для управления сталелитейными заводами, процессами ферментации, автомобильными двигателями, антиблокировочными системами, системами проявки цветных пленок и устройствами для обработки стекла. Ее встраивают в компьютерные программы для биржевой торговли, системы распознавания различий в письменной и разговорной речи, фотокамеры с автоматической фокусировкой и стиральные машины.

СМ. ТАКЖЕ «Органон» Аристотеля (ок. 350 до н. э.), Булева алгебра (1854), Экспертные системы (1965)

На схеме из патента США № 5579439 представлена архитектура нечеткой логики интеллектуального контроллера в системе управления заводом. Архитектура включает в себя искусственную нейросеть для генерации правил нечеткой логики и значений функции принадлежности. «Слой введения нечеткости нейросети механизма обучения может состоять из четырех слоев нейронов: A, B, C, D».

Глубокое обучение. 1965

ИИ-технологии задействуют различные методы, помогающие машинам имитировать человеческий разум. Машинное обучение – это класс методов ИИ, с помощью которых машины совершенствуются в выполнении задач посредством практики и опыта. Глубокое обучение – это форма машинного обучения, позволяющая системам самостоятельно учиться выполнять задачи (например, играть в игры или распознавать кошек на фотографиях) с помощью глубоких нейросетей. Такие нейросети состоят из множества промежуточных слоев искусственных нейронов – в отличие от неглубоких сетей, в которых всего один-два слоя. Хотя термин «глубокое обучение» появился только в 1986 г., советский математик Алексей Ивахненко (1913–2007) еще в 1965 г. проделал важную работу по созданию контролируемых глубоких многослойных перцептронов.

В целом многочисленные слои нейронов могут выделять признаки из данных на разных уровнях иерархии (например, реагируя на простые контуры на одном уровне и на черты лица на другом). Обучение глубоких нейросетей может быть основано на методе обратного распространения ошибки: информация передается по системе в обратном направлении, от выхода к входу, чтобы система увидела ошибку и скорректировала работу.

Глубокое обучение успешно применяется в распознавании речи, компьютерном зрении, обработке естественного языка, соцсетях, переводах с одного языка на другой, разработке лекарств, периодизации живописных полотен по особенностям стиля, системах рекомендации товаров, оценке эффективности маркетинговых решений, реконструкции и очистке изображений, играх, идентификации людей на фотографиях и во многих других сферах.

Специалист по технологиям Джереми Фейн пишет: «С появлением глубокого обучения машинное обучение вышло на новый уровень. Если раньше машинное обучение позволяло довольно успешно автоматизировать повторяющиеся задачи или анализировать данные, то теперь оно воплощает будущее в жизнь в виде компьютеров, которые могут видеть, слышать и играть во все виды игр».

СМ. ТАКЖЕ Искусственные нейронные сети (1943), Обучение с подкреплением (1951), Перцептрон (1957), Машинное обучение (1959), Компьютерное искусство и DeepDream (2015), Состязательные примеры (2018)

Глубокие нейросети состоят из множества промежуточных слоев искусственных нейронов (от трех до нескольких десятков), которые повышают способность сетей к обучению. Такие нейросети представляют собой архитектуру, на основе которой происходит глубокое обучение.

Робот Шейки. 1966

В 1970 г. журнал Life назвал Шейки «первым электронным человеком», который вскоре сможет «месяцами летать вокруг Луны без каких бы то ни было сигналов управления с Земли». Хотя заметка об этом удивительном роботе пестрела преувеличениями, появление Шейки стало важной вехой в истории распознавания образов и компьютерного зрения, а также решения задач, обработки естественного языка и представления информации.