Цзян Бо – Повесть грядущих лет (страница 3)

Проиллюстрировать, как представлена информация, существующая в целом, мы можем на примере голограммы. Даже если та повреждена, до тех пор, пока хоть одна ее часть остается в своем первоначальном виде, изображение не будет потеряно. Более простой аналогией будет принцип формирования изображения выпуклыми линзами. Свет проходит через такую линзу, и на листе бумаги появляется перевернутое действительное изображение. Если закрыть половину линзы непрозрачным предметом, изображение не исчезнет наполовину, а станет более тусклым.

Если человеческую память сравнить с перевернутым действительным изображением, а выпуклую линзу – с человеческим мозгом, связь между памятью и мозгом станет ясна с первого взгляда. Память – это общая функция мозга, и она не выйдет из строя из-за его частичного повреждения.

Конечно, человеческий мозг имеет много функциональных областей, и повреждение некоторых из них может привести к потере определенных способностей. Это вызвано тем, что в мозге происходит «разделение труда». Если продолжить описание в оптических терминах, то наш мозг состоит из множества выпуклых линз. Они показывают различные сцены из внешнего мира, которые вместе образуют всеобъемлющую память. Как получается, что частично поврежденная нейронная сеть может оставаться пригодной для обработки конкретных ситуаций? Ответ кроется в важном понятии: обучении.

Перекрыв часть линзы, мы не заставим исчезнуть определенную часть изображения, но, если убрать всю линзу, изображение, конечно, исчезнет целиком.

Клетки нашего мозга умирают каждый день во всех его отделах, но мозг по-прежнему функционирует. Только когда наступает старение и разрушается слишком много клеток, «изображение» постепенно размывается. Для человека это нормально. Если часть мозга повреждается в результате несчастного случая, то функция, связанная с этой частью, также утрачивается.

Алгоритм нейронной сети имитирует биологический мозг и выполняет запоминание и операции по всему своему объему. Правда, нельзя сказать, что он работает как биологическая нейронная сеть, потому что секреты мозга еще не полностью разгаданы и остаются неизвестны аспекты совместной работы нейронов.

Но, если исходить из практики нейросетевых алгоритмов, у нас уже есть результаты, подобные AlphaGo. Таким образом, мы можем по крайней мере предположить, что этот алгоритм, даже грубая симуляция мозга, способен адаптироваться к конкретным ситуациям.

Что такое обучение? Неужели в нем кроется проблема? Мы учимся непрерывно с самого детства. Обучение – это социальное поведение, но в области искусственного интеллекта оно приобретает несколько иное значение. При машинном обучении эксперты стремятся обозначить входные данные и желаемый результат так, чтобы нейронная сеть могла развиться в определенном направлении и сформировать специальную структуру, работающую с проблемами определенного типа. Этот процесс аналогичен изменениям в нейронных сетях живых организмов под влиянием обучения.

Как AlphaGo изучает го – вопрос слишком узкоспециальный, и мы не будем останавливаться на нем подробно. Но об одном факте упомянуть необходимо: то, как эта программа играет в го, фундаментально отличается от того, как играют люди. Другими словами, в рамках ограничений правил го она нашла новый способ играть, и он гораздо эффективнее человеческого. Страшно то, что люди не могут понять ее стратегию. Причина этого, вероятно, кроется в том, что аппаратное обеспечение AlphaGo на самом деле намного превосходит человеческий мозг, что дает программе огромное преимущество и позволяет просчитывать ситуации, которые люди учесть не могут. Обновленная версия AlphaGo называется AlphaGo Zero. Почему Zero – «ноль»? Потому что эта нейронная сеть не использовала накопленный людьми опыт и начала играть в го с нуля. Первая партия походила на баловство ребенка: одна сторона поля черная, другая белая, почти вся доска заполнена. Однако AlphaGo Zero быстро превратилась в мастера го и превзошла версию-предшественницу, и, естественно, сейчас ни один человек не может с ней тягаться. Это доказательство того, что для искусственного интеллекта, основанного на алгоритмах нейронных сетей, достаточно лишь установить определенные правила, и он разовьется и превзойдет человеческий интеллект. По крайней мере, это верно в случае игровой симуляции.

В других областях, где правила ясны, а сценарии относительно просты, таких как распознавание изображений и речи, искусственный интеллект добился значительного прогресса. Можно сказать, что в решении этих задач машины уже превзошли людей, поскольку точность машинного распознавания может быть выше, чем у человека. Но искусственный интеллект также может допускать неожиданные ошибки.

Например, если вы приложите ко лбу лист бумаги со специальными полосками, люди все равно смогут легко идентифицировать лицо, а искусственный интеллект – нет. Это также доказывает, что, хотя искусственный интеллект распознает лица, изучив достаточное количество изображений, метод, который он использует, вовсе не соответствует человеческому. Причина может заключаться в том, что до сегодняшнего дня алгоритмы нейросетей представляли собой лишь грубую симуляцию биологических процессов. Но я считаю, что с дальнейшим развитием науки о мозге будут разрабатываться и более сложные алгоритмы, так что некоторые недостатки искусственного интеллекта могут быть восполнены.

Конечно, также возможно, что они кроются не в самом алгоритме, а в методе обучения.

Взглянем на то, как развивалось биологическое распознавание образов. Существа сталкивались с суровой средой обитания, на карту были поставлены жизнь и смерть. В естественном отборе побеждали те, кто умел ориентироваться в окружающем пространстве. Наиболее действенный способ идентификации передавался следующим поколениям через генетический код. Со временем биологическое распознавание образов достигло чрезвычайной эффективности. Но, пожалуйста, обратите внимание, что разные существа применяли разные стратегии. Наиболее очевидна разница между глазами, содержащими одну линзу, и фасеточными. Первые позволяют идентифицировать различные объекты во внешней среде, однако одни типы таких глаз чувствительны к цвету, другие – к форме; существа же с фасеточными глазами воспринимают движение через разницу в изображении между омматидиями, но они, вероятно, не до конца понимают форму объектов. Итак, в природе есть множество способов распознавания образов, но независимо от того, в чем они заключаются, они связаны со средой обитания и являются продуктом эволюции. Способность к биометрическому распознаванию должна развиться до соответствующего уровня, иначе вид не сможет выжить. Условно говоря, метод обучения искусственного интеллекта намного проще. Люди «скармливают» ИИ множество картинок, на основе которых он развивает конкретные алгоритмы распознавания. Однако, сколько бы фотографий ни пошло в дело, этот метод обучения не универсален – как только ситуация поменяется, интеллект может и не приспособиться. Таким образом, если искусственный интеллект должен адаптироваться к сложной среде, то необходимо обучать его именно в такой. А это требует времени и хорошего механизма отбора, который эксперты по искусственному интеллекту должны дополнительно исследовать.

То, о чем шла речь выше, касается только конкретных областей. Безграничные возможности искусственного интеллекта скрыты в более общих сценариях применения. Искусственный интеллект, которого с нетерпением ждут люди, – не просто машина, что может только слушать или только говорить. Настоящий искусственный интеллект должен обладать целым комплексом умений.

Будь то игра в го, распознавание лиц или речи – это все одно измерение. Нейронные сети, развившиеся в процессе обучения, могут выполнять только соответствующие функции, их нельзя сопоставить с человеческим мозгом. Реальный мир – сложный, и если мы тщательно разделим его, то, вероятно, сможем найти в нем десятки или даже сотни измерений. Точно так же на Олимпийских играх есть разделение на дисциплины: легкую атлетику, плавание, гимнастику и т. д. Несмотря на то, что мы называем все это видами спорта, для каждого необходима особенная физическая подготовка. Даже один вид можно разделить на подвиды – например, плавание, которое бывает на 3000 метров, 1500 метров и 800 метров…

Искусственный интеллект противостоит человеческому мозгу точно так же, как чемпион Олимпийских игр в конкретном виде спорта противостоит абсолютному чемпиону. Атлет, одержавший победу в одной дисциплине, может оказаться некомпетентен в другой, но человеческий мозг развивается равномерно во всех аспектах.

Изначально в этой «Умной Олимпиаде» человек побеждает в большинстве соревнований (некоторые живые существа также имеют преимущества, например, мозг орла выиграет первенство по зрению, а мозг многих животных более чувствителен к запахам), но все меняется. Нарды, шахматы, го… во всех игровых дисциплинах подобного порядка искусственный интеллект победил человека. По точности распознавания изображений и речи ИИ также во много раз превзошел нас.

Последнее, несомненно, указывает на то, что титул визуального чемпиона скоро будет принадлежать искусственному интеллекту. Используя самые большие телескопы для сбора огромных объемов информации и анализируя ее с помощью нейросетей, мы сможем увидеть звезды и планеты на расстоянии десятков миллиардов световых лет. Такое «зрение» намного превзойдет способности живых существ. Я верю, что передовые обсерватории скоро начнут применять искусственный интеллект для исследования звезд. Спутниковые системы также преобразятся благодаря ИИ. Возможность четко видеть лица людей с геоцентрической орбиты перестанет быть фантазией. Спутник будет различать нас так же ясно, как орел – кролика с высоты в несколько тысяч метров[3].