Древние поиски ИИ

ИИ — это новый черный, но это не новая технология

2019 год запомнится как 500-летие со дня смерти изобретателя первого автомобиля с автоматическим управлением Леонардо да Винчи. Когда в 1478 году мастер эпохи Возрождения разработал чертеж самоходной тележки, он и не подозревал, что в будущем это устройство будет считаться прародителем автономных транспортных средств с искусственным интеллектом. Как и ученые, философы, писатели и художники до него, Леонардо участвовал в очень древних поисках ИИ. Поиск, который охватывает века и континенты и находит общих предков современных областей робототехники и искусственного интеллекта.

ИИ — это новый черный, но это не новая технология

Мало того, что ИИ существует как область компьютерных наук уже более 70 лет, его корни уходят далеко за пределы середины 20-го века. До того, как искусственный интеллект превратился в ценную прогностическую машину, способную изменить мировую экономику, искусственные существа и автономные артефакты безжалостно занимали человеческий разум.

Зарождение автоматизации и искусственной автономии возвращает нас к древнегреческому периоду. В связи с этим можно отметить, что латинское слово автомат происходит от греческого automatos — соединения слов autos сам и matos. думающий, одушевленный, желающий. В Древней Греции есть множество мифологических автоматов и множество описаний самодвижущихся устройств. Если вы готовы окунуться в колыбель автономных машин, в превосходной книге Боги и роботы профессора Стэнфордского университета Адриенн Майор анализируются самые ранние проявления искусственных автономных машин в греческой мифологии. Вы узнаете, что первым известным роботом был автоматизированный бронзовый гигант Талос, созданный божественной рукой Гефеста; Бог огня и металлургии. Интересно, что Гефест также разработал крылатый шлем и сандалии Гермеса, что дало ему возможность доставлять информацию куда угодно со скоростью, превышающей скорость других олимпийских богов. Эти сказки, среди многих других, передают темы искусственного разума и вездесущность, которая сформулировала многие обещания наших новых цифровых технологий.

Автоматоны также были широко распространены в Древнем Китае; среди них полностью построенный механический оркестр, созданный для императора во времена династии Хань (3 век до н.э.), и знаменитый механический монах, созданный для генерала Ян Уляня. Такие устройства были очень популярны в имперских кругах, вдохновляя поколения инженеров на поиски самодвижущихся машин.

Исламский мир также имеет свою долю оркестров-автоматов в работах арабского эрудита аль-Джазари (12-13 вв.). Среди 100 механических устройств, упомянутых в его Книге знаний об изобретательных механических устройствах, написанной в 1206 году, эрудит разработал оркестр с водяным приводом и несколько автоматических устройств для домашнего использования. По словам профессора Стамбульского университета Мустафы Какара, автоматы аль-Джазари были ранними прототипами многих современных технологий: Идея заставить роботов выполнять работу людей или просто автоматизировать, — говорит проф. Качара, был разработан аль-Джазари за 250 лет до Леонардо да Винчи (Источник: MiddleEastEye).

Столетия междисциплинарного сотрудничества

На Западе через несколько десятилетий после изобретений Аль-Джазари Средние века приписывают создание говорящей головы и железного андроида выдающимся философам Роджеру Бэкону и Альберту Великому. Интересно, что философия и математика, наряду с эмпирическими науками, в те времена постоянно подпитывали друг друга.

Это мощное междисциплинарное сотрудничество лежало в основе духа Ренессанса, открывая, таким образом, приветственную сцену для автоматов. Задолго до того, как Boston Dynamics разработала роботов для вооруженных сил США, в 1495 году Леонардо да Винчи разработал рабочий прототип Механического рыцаря для развлечения двора герцога Миланского Людовико Сфорца. Полностью функциональный робот-рыцарь мог выполнять такие маневры, как сидеть, стоять, поднимать забрало и двигать руками. Леонардо также разработал Механического льва, который получил высокую оценку. Свирепый автомат был создан для коронации покровителя Леонардо, короля Франции Франциска I. Среди своих многочисленных инженерных проектов мастер эпохи Возрождения дополнительно разработал чертежи самоходной повозки, считающейся прародительницей сегодняшних беспилотных автомобилей.

Философы XVII века, особенно Гоббс и Лейбниц, оставили свой след в поисках мыслящих машин. Логик, математик и философ эпохи Просвещения, Лейбниц предвосхитил вычислительный ИИ во многих отношениях. Он впервые применил двоичную систему и изобрел практичную вычислительную машину. Сторонник радикальной теории Гоббса о вычислительной природе рассуждений, Лейбниц, как известно, писал: Томас Гоббс, везде глубокий исследователь принципов, справедливо утверждал, что все, что делается нашим умом, есть вычисление. Вдохновляя современных исследователей, Лейбниц считал свои исследования в области математики столь же важными, как и развитие своей философии разума.

Автоматы стали особенно модными в 18-м и 19-м веках, со сложными механическими животными, автоматизированными театрами и поразительным биомеханическим Флейтистом, изобретенным французским инженером Жаком де Вокансоном в 1737 году. Даже королева Мария Антуанетта принимала участие в европейском автомате. помешательство» на покупке автомата, играющего на цимбалах, спроектированного Петером Кинцингом и Давидом Рентгеном в 1784 году для Французской академии наук.
Пятьдесят лет спустя Чарльз Бэббидж и Ада Лавлейс сделали гигантский шаг к современному вычислительному подходу к автоматизации при разработке Аналитической машины; сегодня признан первым программируемым компьютером с паровым двигателем.

«Могут ли машины думать?»

Столетия мечтаний и прототипов автоматизированных машин проложили путь для различных областей робототехники и искусственного интеллекта, которые расцвели в 20-м веке.

В 1940-х годах Норберт Винер, отец кибернетики, разработал первые саморегулирующиеся и самокорректирующиеся системы, которые привели к интеграции автоматического пилота в самолет. Винер оказал влияние на исследования ИИ, особенно в теоретизируя, что интеллект в основном является результатом механизмов обратной связи. Первый шаг к искусственным нейронным сетям, используемым в настоящее время в глубоком обучении, был сделан в 1943 году Уорреном Маккалохом и Уолтером Питтсом, которые разработали вычислительные методы, имитирующие функциональность биологических нейроны.

Многие выдающиеся исследователи независимо работали над интеллектуальными машинами после Второй мировой войны. Среди них британский математик Алан Тьюринг, постулировавший, что машины должны уметь имитировать то, как люди используют доступную информацию для решения задач. В 1947 году он интуитивно предвидел будущее машинного обучения (подмножество ИИ), заявив: Мы хотим, чтобы машина училась на собственном опыте.
Проекты Тьюринга были очевидны. : создать компьютер общего назначения (который он впервые сформулировал в 30-х годах) и автоматизировать интеллект, разработав самообучающиеся машины. В 1950 году он опубликовал влиятельную статью Вычислительные машины и интеллект, в которой поставил вопрос, над которым до сих пор размышляют современные исследователи ИИ: Могут ли машины мыслить?.

Эмпирически ответить на вопрос Тьюринга оказалось непросто. В середине 20-го века вычислительная мощность была чрезвычайно дорогой, а данные не были рогом изобилия, который мы знаем сегодня как «большие данные». В начале 1950-х годов компьютеры не могли хранить команды и могли только выполнять их. Эти ограничения были препятствиями для создания интеллектуальных процессов. Компьютеры тоже были безумно дорогими. Дороже, чем любой арендованный дом в Сан-Франциско в 2019 году: аренда одного компьютера стоила до 200 000 долларов в месяц. Только ведущие университеты и крупные корпорации могут позволить себе инвестировать в прикладные исследования в области вычислительного интеллекта.

ИИ: идеальная машина для решения проблем

В 1956 году песня Элвиса Пресли Heartbreak Hotel заняла первое место в чарте синглов США, однако не это существенно изменило курс ИИ. Так же, как и брак Грейс Келли и принца Ренье. Вместо этого профессор Джон Маккарти и Марвин Мински организовали исторический Дартмутский летний исследовательский проект по искусственному интеллекту (DSRPAI). Во время этого исторического семинара Аллен Ньюэлл, Клифф Шоу и Герберт Саймон представили Теоретик логики — исследовательскую программу, задуманную для воспроизведения навыков человека по решению задач на компьютерах.
Хотя все исследователи считали, что ИИ достижим, единого мнения о том, как этого достичь, не было достигнуто. Семинар в Дартмуте, тем не менее, остается определяющей вехой в истории отрасли: выражение Искусственный интеллект было придумано якобы Джоном Маккарти во время семинара.
Итак, что именно сделал Маккарти и его сверстники подразумевают под ИИ? Выражение искусственный интеллект указывает на намерение имитировать человеческий интеллект в машинах. По словам Маккарти, ИИ — это наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ (Источник: Стэнфорд)». Отвечая на вопрос о природе ИИ и его потенциале, Маккарти уточнил, чтоглавное усилие состоит в том, чтобы создать компьютерные программы, способные решать проблемы и достигать целей в мире так же, как и у людей. (Источник : Стэнфорд)

Теперь, когда я коснулся как генезиса, так и семантики ИИ, вам может быть интересно, что произошло между 1956 и 2019 годами? Как и в естественном мире, у ИИ были циклические лето и зима.

Семинар в Дартмуте вызвал интерес к целому ряду направлений исследований, которые не оправдали ожиданий. Подход Марвина Мински «сверху вниз» (состоящий из предварительного программирования компьютера с правилами, регулирующими поведение человека) оказался дорогостоящим, трудоемким и неэффективным. Биологический подход «снизу вверх», основанный на искусственных нейронных сетях, позволяющих машинам обучаться новому поведению, также оказался разочаровывающим. Человеческий здравый смысл и такие задачи, как распознавание изображений, все еще были недоступны для ИИ и, возможно, всегда будут такими. По крайней мере, так считал выдающийся математик сэр Джеймс Лайтхилл. Во время захватывающих дебатов в Лайтхилле в 1973 году сэр Лайтхилл призвал исследователей ИИ перестать тратить время и деньги на ИИ. После инвестиций в миллионы долларов и незначительной демонстрации того, что какая-либо машина когда-либо сможет подражать человеческому интеллекту, финансирование ИИ прекратилось, как Титаник, а исследования ИИ прекратились почти на десятилетие.

В конце концов, после зимы приходит весна. В случае с ИИ весна пришлась на 80-е годы в виде крупного финансирования со стороны корпораций, заинтересованных в «Экспертных системах» — системах, которые решают проблемы, используя логические правила, полученные из человеческих экспертных знаний. Однако безумие длилось недолго, и из-за истощения финансирования поле пережило еще одну серьезную зиму.

Умные ходы, лучшие машины прогнозирования

К счастью, 11 мая 1997 года искусственный интеллект совершил решающий шаг, когда шахматный компьютер IBM Deep Blue обыграл российского гроссмейстера Гарри Каспарова. IBM Deep Blue вызвала большой интерес в корпоративном мире, поскольку его архитектура успешно применялась для финансового моделирования, анализа рыночных тенденций, анализа рисков, интеллектуального анализа данных, а также открытия и разработки лекарств.

Новый рассвет искусственного интеллекта начался в начале 2000-х годов. Вместо того чтобы пытаться имитировать мышление машин путем кодирования логических правил, исследователи искусственного интеллекта научили машины учиться самостоятельно, непосредственно на основе данных, и делать прогнозы. оттуда. Алгоритмы также стали более изощренными, и поток данных начал литься из-за увеличения онлайн-транзакций и экспоненциального использования цифровых устройств.

В 2011 году IBM снова подняла задачу искусственного интеллекта на новый уровень, позволив своей вычислительной системе Watson, отвечающей на вопросы, победить чемпионов-людей в American's Favorite Quiz Show Jeopardy.Технология Watson стала значительным шагом вперед по сравнению с Deep Blue и более ранними версиями машин, потому что у него было программное обеспечение, которое могло обрабатывать и рассуждать о естественном языке, а затем полагаться на огромный поток информации, влитый в него за несколько месяцев до соревнований. (Источник: IBM).
In Чтобы нанести такой исторический удар по человеческому самолюбию,IBM Watson задействовала множество подмножеств ИИ, среди которых были обработка естественного языка (NLP) и машинное обучение. NLP — это процесс автоматического извлечения значимого информацию из входных данных на естественном языке для создания выходных данных на естественном языке. Под машинным обучением понимается практика использования алгоритмов для анализа данных, извлечения уроков из них, а затем определения или прогнозирования чего-либо в мире. (Источник: Nvidia)

Успехи IBM подтвердили гипотезу о том, что исследования ИИ могут развиваться быстрее в игровой среде. В 2016 году это направление было подтверждено, когда AlphaGo, обученная DeepMind (компания, принадлежащая Google), победила лучшего игрока в го Ли Седоля в эпическом соревновании.
Игра в го возникла в Китае более 2500 раз. лет назад и рассматривался Конфуцием как один из самых возвышенных видов искусства. Генеральный директор DeepMind Демис Хассабис объясняет, что AlphaGo научилась открывать для себя новые стратегии, играя в тысячи игр между своими нейронными сетями и настраивая соединения с помощью процесса проб и ошибок, известного как обучение с подкреплением. (Источник: Google) AlphaGo выполняла стратегические ходы, которые чемпионы Го считают выше уровня человеческого интеллекта и которые они назвали невероятно творческими.
Хотя это достижение уже было значительным, квантовый скачок ИИ произошел, когда Алгоритм DeepMind, AlphaGo Zero, научился играть полностью с нуля и против себя (я почти написал сама себя) в течение трех дней и без какой-либо помощи человека. «Он более мощный, чем предыдущие подходы, потому что не Используя человеческие данные или человеческий опыт любым способом, мы устранили ограничения человеческого знания, и оно способно создавать само знание, — сказал Дэвид Сильвер, ведущий исследователь AlphaGo. (Источник: The Guardian)
Метод, используемый для достижения таких уровней производительности, представляет собой категорию машинного обучения, называемую обучением с подкреплением. Помните, как вы научились кататься на велосипеде? В процессе проб и ошибок вы быстро узнали, какая поза вознаградит вас приятным круизом, а не набором синяков. Вот что такое обучение с подкреплением: самокорректирующееся поведение, которое возникает, когда искусственный агент получает вознаграждение за хорошее взаимодействие с окружающей средой.
Научно-фантастическая видеоигра Blizzard Entertainment StarCraft II была выбран DeepMind для следующего испытания ИИ. AlphaStar — следующий ИИ DeepMind, использующий контролируемое обучение и обучение с подкреплением — сумел победить всех профессиональных геймеров со счетом 5–0, используя широкий спектр творческих стратегий. Если вы хотите узнать больше об этом прорыве 2019 года, У DeepMind есть замечательный блог, который позволит вам погрузиться в архитектуру AlphaStar.

Хотя ИИ побеждает человеческий интеллект в играх и превосходит человеческие игровые стратегии, это не означает, что такая производительность применима к любой реальной ситуации. Другими словами, это не потому, что ИИ может победить вашу бабушку в игра в го (или в StarCraft, если ваша бабушка крутая), что она может открыть ваш холодильник, приготовить вашу любимую еду и быть интересным собеседником за обеденным столом. Однако развитие искусственного интеллекта в игровых средах может отразиться и за пределами этого контекста и привести к реальной ценности. Прорывы DeepMind привели к инновациям в очень специализированных приложениях, таких как открытие и разработка лекарств, молекулярные исследования. , диагностика заболеваний и даже открытие внесолнечной системы.

Четыре высокоскоростных двигателя ИИ

В 2019 году искусственный интеллект продемонстрировал выдающуюся эффективность во всех сферах жизни общества и отрасли. Раньше, чем вы думаете, искусственный интеллект научит ваших детей и позволит вашему интеллектуальному цифровому двойнику отвечать на запросы бизнеса и делать покупки от вашего имени. По данным PWC, к 2030 году вклад ИИ в мировую экономику составит 15,7 трлн долларов. Это ускорение поддерживают четыре высокоскоростных двигателя: большие данные; увеличение вычислительной мощности; более сложные алгоритмы; и изменение поведения пользователей.

• Насколько велики большие данные? Каждый год мы производим больше многомерных данных и информации, чем когда-либо прежде в истории человечества. В 2019 году мы говорим о в 40 раз больше байтов данных, чем наблюдаемых звезд во Вселенной.
• Сколько вычислительных мощностей доступно сегодня? Современные чипы могут выполнять более 10 триллионов вычислений в секунду. Чтобы дать вам ориентир, в смартфоне больше вычислительной мощности, чем во всех компьютерах НАСА, которые использовались для отправки человека разумного на Луну в 1969 году.
• Что делает алгоритмы лучше? Больше данных и больше вычислительной мощности, а также более сложные подмножества машинного обучения привели к лучшему пониманию реального мира и более точным прогнозам. Для получения более подробной информации о глубоком обучении, глубоких нейронных сетях и таких методах, как подкрепление или трансфертное обучение, прочитайте первую статью этой серии об ИИ.
• Как изменилось поведение пользователей? Созревание цифровой культуры достигло стадии, когда пользователи готовы обменивать данные на товары. После скандала с Cambridge Analytica это заявление может показаться нелогичным, однако результаты исследования показывают, что, если вознаграждение того стоит, люди отдают свои данные без особых колебаний Подумайте об этом: вы уже обмениваете конфиденциальность своих странствий по миру на уверенность в том, что Google Maps доставит вас туда, куда вам нужно. Вы также сообщаете то, что имеете в виду, каждый раз, когда делаете запрос в поисковой системе Google.