For nylig er publikationer om udsigterne for fremkomst af kunstig intelligens blevet hyppigere. De praktiske og moral-etiske aspekter af menneskehedens sameksistens drøftes. Hvor rettidig er disse diskussioner? Kan vi virkelig forvente udseendet af "tænkemaskiner"?
Alle projekter til at skabe kunstig intelligens kan groft opdeles i to områder. Den første er akkumulering af databaser og deres behandling af programmer, der efterligner aktiviteten af den menneskelige hjerne. Den anden er baseret på studiet af modeller for intellektuel adfærd. Den største ulempe ved begge er, at vi stadig ikke ved godt nok, hvad sindet og den intellektuelle adfærd er, og den menneskelige hjerne, ærligt talt, er blevet undersøgt alvorligt relativt for nylig.
Der er en opfattelse af, at problemet kan omgås på grund af cyborgs, det vil sige ved at smelte en levende hjerne (abe og i fremtiden - et menneske) med en computer, men denne sti er fyldt med enorme vanskeligheder, og endnu værre, i dette tilfælde vil det være umuligt at tale om fuld kunstig intelligens.
Forskere mener imidlertid, at det er ret realistisk at hoppe over adskillige trin, hvilket gør det muligt for kunstig intelligens at udvikle sig uafhængigt - ligesom det udviklede sig i den levende natur, med den forskel, at dens udvikling vil finde sted i virtuelt, ikke materielt rum. Her placeres indsatsen på kunstige neurale netværk eller neurale netværk (Kunstig neurale netværk).
Lad os huske, hvad en neuron er. Dette er navnet på en nervecelle, der adskiller sig fra andre celler, idet den er i stand til at lagre og transmittere information ved hjælp af elektriske og kemiske signaler. Neurons funktion blev opdaget i slutningen af det 19. århundrede, som naturligvis spillede i hænderne på materialisterne, der fik autoritet i hele verden på det tidspunkt: de erklærede straks, at det var neuroner, der indeholdt "sjælen". Derfor tanken om, at hvis du på en eller anden måde dyrker en nøjagtig kopi af hjernen, så vil en "sjæl" blive født i den. Men et filosofisk spørgsmål opstod: er det muligt at tale om en”sjæl” uden grund? Når alt kommer til alt er det et produkt af opdragelse, som vist ved undersøgelsen af "Mowgli" - menneskebørn, der er opdrættet af dyr. Følgelig er det ikke nok at oprette en kopi af hjernen - det skal stadig "uddannes" for at få intelligens.
TEKNISK BØDE
En normal voksnes hjerne indeholder cirka 86 milliarder neuroner. For ikke så længe siden virkede ideen om at oprette en digital analog til den helt fantastisk. Men i dag med udviklingen af informationsteknologi virker dette allerede ret opnåeligt.
Salgsfremmende video:
Det skal huskes, at den berømte amerikanske matematiker Norbert Wiener, "far" til cybernetik, betragtes som grundlæggeren af teorien om modellering af komplekse biologiske processer, herunder hjerneprocesser. I 1949 udarbejdede den canadiske psykolog Donald Hebb, en specialist i studiet af tænkningsprocesser, baseret på Wiener beregninger, den første træningsalgoritme til neurale netværk (for øvrig på et tidspunkt Hebb tjente i CIA, hvor han behandlede problemet med hjernevask).
I 1957 skabte amerikanske Frank Rosenblatt, en kunstig intelligenssteoretiker, baseret på hans tidligere arbejde, et logisk diagram over perceptronet - en selvlærende cybernetisk model af hjernen, som blev implementeret tre år senere på grundlag af den elektroniske Mark-1-computer. Perceptronet sender signaler fra fotoceller (sensorer, S-celler) til blokke af elektromekaniske hukommelsesceller, der er tilfældigt forbundet. Hvis en af cellerne modtager et signal, der overskrider tærskelværdien, overfører den det videre - til addereren (R-element) og med en bestemt koefficient ("vægt" af AR-forbindelsen). Afhængigt af summen af signalet ganget med vægtfaktorerne udsender adderen et af tre mulige resultater til output fra hele systemet: -1, 0 og +1. Træningen af perceptronen foregår på det tidspunkt, hvor vægtkoefficienter indføres i systemet. For eksempel,vi placerer en "firkantet" figur foran fotocellerne og sætter reglen: når en firkant vises i synsfeltet, skal perceptronet give et positivt resultat (+1), og når et andet objekt vises, negativt (-1). Derefter skifter vi genstande en efter en og justerer vægtene, når en firkant vises i retning af stigende og i dens fravær - i retning af at falde. Som et resultat opnår vi et unikt udvalg af værdier for vægtkoefficienter i systemet for enhver variant af udseendet af et kvadrat, og i fremtiden kan vi bruge det til at genkende firkanter. På trods af dens primitivitet sammenlignet med moderne computere kunne "Mark-1" genkende ikke kun geometriske former, men også bogstaver i alfabetet og skrevet i forskellige håndskrifter.når en firkant vises i synsfeltet, skal perceptronet give et positivt resultat (+1), og når et andet objekt vises - negativ (-1). Derefter skifter vi genstande en efter en og justerer vægtene, når en firkant vises i retning af stigende og i dens fravær - i retning af at falde. Som et resultat opnår vi et unikt udvalg af værdier for vægtkoefficienter i systemet for enhver variant af udseendet af et kvadrat, og i fremtiden kan vi bruge det til at genkende firkanter. På trods af dens primitivitet sammenlignet med moderne computere kunne "Mark-1" genkende ikke kun geometriske former, men også bogstaver i alfabetet og skrevet i forskellige håndskrifter.når en firkant vises i synsfeltet, skal perceptronet give et positivt resultat (+1), og når et andet objekt vises - negativ (-1). Derefter skifter vi genstande en efter en og justerer vægtene, når en firkant vises i retning af stigende og i dens fravær - i retning af at falde. Som et resultat opnår vi et unikt udvalg af værdier for vægtkoefficienter i systemet for enhver variant af udseendet af et kvadrat, og i fremtiden kan vi bruge det til at genkende firkanter. På trods af dens primitivitet sammenlignet med moderne computere kunne "Mark-1" genkende ikke kun geometriske former, men også bogstaver i alfabetet og skrevet i forskellige håndskrifter. Derefter skifter vi genstande en efter en og justerer vægtene, når en firkant vises i retning af stigende og i dens fravær - i retning af at falde. Som et resultat opnår vi et unikt udvalg af værdier for vægtkoefficienter i systemet for enhver variant af udseendet af et kvadrat, og i fremtiden kan vi bruge det til at genkende firkanter. På trods af dens primitivitet sammenlignet med moderne computere kunne "Mark-1" genkende ikke kun geometriske former, men også bogstaver i alfabetet og skrevet i forskellige håndskrifter. Derefter skifter vi genstande en efter en og justerer vægtene, når en firkant vises i retning af stigende og i dens fravær - i retning af at falde. Som et resultat opnår vi et unikt udvalg af værdier for vægtkoefficienter i systemet for enhver variant af udseendet af et kvadrat, og i fremtiden kan vi bruge det til at genkende firkanter. På trods af dens primitivitet sammenlignet med moderne computere kunne "Mark-1" genkende ikke kun geometriske former, men også bogstaver i alfabetet og skrevet i forskellige håndskrifter. Som et resultat opnår vi et unikt udvalg af værdier for vægtkoefficienter i systemet for enhver variant af udseendet af et kvadrat, og i fremtiden kan vi bruge det til at genkende firkanter. På trods af dens primitivitet sammenlignet med moderne computere kunne "Mark-1" genkende ikke kun geometriske former, men også bogstaver i alfabetet og skrevet i forskellige håndskrifter. Som et resultat opnår vi et unikt udvalg af værdier for vægtkoefficienter i systemet for enhver variant af udseendet af et kvadrat, og i fremtiden kan vi bruge det til at genkende firkanter. På trods af dens primitivitet sammenlignet med moderne computere kunne "Mark-1" genkende ikke kun geometriske former, men også bogstaver i alfabetet og skrevet i forskellige håndskrifter.
SMART TINGER
Naturligvis er der kommet mange flere komplekse kredsløb, algoritmer og varianter af perceptroner siden da. Ikke desto mindre har denne tilgang til organisering af en neural netværksmodel grundlæggende begrænsninger: F.eks. Er perceptroner magtløse til at løse problemet med at opdele en figur i separate dele eller bestemme den relative placering af figurer.
Da det blev klart, at det var umuligt at opbygge kunstig intelligens baseret på perceptroner, faldt interessen for dem. Ikke desto mindre dukkede op i de tidlige 1980'ere nye varianter af selvlæring og selvorganiserende neurale netværk: Hopfield-netværket, Hemming-netværket, Kohonen-netværket, Jordan-netværket og andre. I 1986 fandt der en slags revolution sted: sovjetiske og amerikanske forskere udviklede en bagpropagationsmetode (iterativ gradientalgoritme), som gjorde det muligt at overvinde tidligere opdagede begrænsninger. Derefter modtog neurale netværk hurtig udvikling, som straks blev implementeret i anvendte computerprogrammer.
Moderne softwarepakker, der er bygget på basis af kunstige neurale netværk, er i stand til at genkende vilkårligt komplekse tekster, lydkommandoer, ansigter, gestus og ansigtsudtryk. Dette er dog kun de mest enkle tilfælde, der er også mere usædvanlige. Selvlærende autopiloter, der er i stand til at reagere på udviklingen af katastrofale situationer tidligere end piloter. Byt inspektører, der identificerer mistænkelige transaktioner på aktiemarkederne. Netværksannonceagenter, der sporer potentielle kunders præferencer. Medicinske diagnostikere, der bestemmer patologier hos spædbørn.
Det er tydeligt, at når informationsteknologier forbedres, vil neurale netværk også blive mere komplekse. De vil administrere alle husholdningsapparater og livsstøtte til hjem, fabrikker og supermarkeder. De kan overvåge trusler, analysere tendenser og give råd om for eksempel en optimal investering af penge. De vil endda være i stand til at skabe kunstgenstande: der er allerede malerier og digte skrevet af neurale netværk!
SLAVERI ELLER VENNESKAB?
Faktisk går alt til det faktum, at et neuralt netværk en dag bliver en uerstattelig assistent i tusind store og små anliggender. Futurister frygter dette. De mener, at kvantitet på et tidspunkt vil blive til kvalitet, kunstig intelligens vil opstå i neurale netværk, som straks vil udfordre menneskeheden og ødelægge den. En anden mulighed er også mulig - mennesker bliver så afhængige af de beslutninger, der træffes af det neurale netværk, at de ikke selv vil bemærke, hvordan de bliver til dets slaver.
Uhyggelige scenarier som disse virker for underlige. Faktum er, at neurale netværk oprindeligt er struktureret til at tilpasse sig behovene hos en bestemt person eller gruppe af mennesker. De kan hjælpe med at rette en fejl eller give råd, fremhæve et problem eller lægge mærke til et bedrag, men de er ikke selv i stand til at træffe et valg mellem tilsvarende muligheder, fordi vi (desværre eller heldigvis) ikke vil være i stand til at lære dem det vigtigste - moral. Derfor vil neurale netværk på alle tidspunkter være som husdyr - lydige, loyale og venlige.
Anton Pervushin