Три закона робототехники - Справочник по робототехнике, 56-е издание, 2058 г. н.э.

1. Первый закон. Робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был причинен вред.

2. Второй закон. Робот должен подчиняться приказам, отдаваемым ему людьми, за исключением случаев, когда такие приказы противоречат Первому закону.

3. Третий закон. Робот должен защищать свое существование до тех пор, пока такая защита не противоречит Первому или Второму законам.

С тех пор, как Айзек Азимов записал эти вымышленные правила поведения разумных роботов — в 1942 году — человечество зациклилось на идее создания разумных машин. После того как британский математик Алан Тьюринг разработал тест Тьюринга в качестве эталона для того, чтобы машины считались достаточно умными, термин искусственный интеллект был впервые введен в употребление в 1956 году на летней конференции в Дартмутском университете, США. Выдающиеся ученые и исследователи обсуждали наилучшие подходы к созданию ИИ, отдавая предпочтение тому, который начинается с обучения компьютера правилам, управляющим человеческим поведением, — с использованием разума и логики для обработки доступной информации.

Вокруг ИИ было много шумихи и ажиотажа, и несколько стран также начали финансировать исследования. За два десятилетия достигнутый прогресс не вызвал первоначального энтузиазма и не нашел серьезного практического применения. Были потрачены миллионы, но ничего не добились, и обещание ИИ так и не стало чем-то более существенным, чем программы, обучающиеся игре в шахматы и шашки. Финансирование исследований ИИ было сильно сокращено, и у нас была так называемая зима ИИ, которая задержала дальнейшие прорывы на несколько лет.

Затем программисты сосредоточились на более мелких специализированных задачах, которые ИИ должен был научиться решать. Уменьшение масштаба амбиций вернуло успех на поле боя. Исследователи перестали пытаться создать искусственный общий интеллект, который реализовывал бы методы человеческого обучения, и сосредоточились на решении конкретных задач. В 1997 году, например, суперкомпьютер IBM Deep Blue сыграл и выиграл у тогдашнего чемпиона мира по шахматам Гэри Каспарова. К достижению по-прежнему относились с осторожностью, поскольку оно продемонстрировало успех только в узкоспециализированной задаче с четкими правилами, использующими более или менее просто интеллектуальный алгоритм поиска.

На рубеже веков статус-кво ИИ изменился к лучшему. Произошел фундаментальный сдвиг в подходе, который отошел от предварительного программирования компьютера с правилами разумного поведения к обучению компьютера распознавать закономерности и взаимосвязи в данных — машинному обучению. Вдохновленные последними исследованиями человеческого познания и функционирования мозга, были разработаны алгоритмы нейронной сети, которые использовали несколько «узлов», обрабатывающих информацию подобно тому, как это делают нейроны. Эти сети имеют несколько уровней узлов (глубокие узлы и поверхностные узлы) разной сложности, отсюда и термин глубокое обучение.

За это время были разработаны различные типы подходов к машинному обучению:

Обучение с учителем использует обучающие данные, которые правильно помечены, чтобы научить взаимосвязям между заданными входными переменными и предпочтительным выходом.

Обучение без учителя не имеет набора обучающих данных, но может использоваться для обнаружения повторяющихся шаблонов и стилей.

Обучение с подкреплением поощряет обучение методом проб и ошибок, вознаграждая и наказывая соответственно желаемые и нежелательные результаты.

Наряду с лучше написанными алгоритмами ускорению прогресса способствовало несколько других факторов:

Экспоненциальное улучшение вычислительных возможностей с развитием графических процессоров (GPU) и тензорных процессоров сократило время обучения и позволило реализовать более сложные алгоритмы.

Доступность огромных объемов данных сегодня также способствовала совершенствованию алгоритмов машинного обучения. Первая значительная фаза создания данных произошла с распространением Интернета, с крупномасштабным созданием документов и транзакций. Следующий большой скачок произошел с повсеместным распространением смартфонов, генерирующих тонны неорганизованных данных — изображений, музыки, видео и документов. Сегодня у нас есть еще одна фаза взрыва данных, когда облачные сети и интеллектуальные устройства постоянно собирают и хранят цифровую информацию. Имея так много данных для обучения нейронных сетей потенциально множеству вариантов использования, можно превзойти важные вехи, и теперь мы наблюдаем результат десятилетий оптимистичных успехов.

· Google построил автономные автомобили.

· Microsoft использовала машинное обучение для записи движений человека при разработке Kinect для XBox 360.

· Watson от IBM победил предыдущих победителей телешоу Jeopardy! где участники должны придумать вопросы общего знания, основанные на данных подсказках.

· Siri от Apple, Alexa от Amazon, голосовой помощник Google, Cortana от Microsoft и т. д. — это хорошо оснащенные голосовые помощники с искусственным интеллектом, которые обрабатывают язык и выполняют задачи на основе голосовых команд.

· ИИ становится способным изучать с нуля лучшие стратегии и игровой процесс, чтобы побеждать игроков-людей в нескольких играх — китайская настольная игра Go от Google DeepMind AlphaGo и компьютерная игра DotA 2 от OpenAI — два ярких примера.

· Искусственный интеллект для обработки языка Alibaba превзошел лучших участников в тесте на чтение и понимание, проведенном Стэнфордским университетом.

· И совсем недавно Google Duplex научился почти безупречно использовать человеческую речь, чтобы назначать встречи по телефону для пользователя.

· Мы даже создали чат-бота (по имени Юджин Густман), который прошел тест Тьюринга спустя 64 года после того, как он был впервые предложен.

Все приведенные выше примеры являются новаторскими в каждой области, но они также показывают, каких специализированных результатов нам удалось достичь. Кроме того, такие достижения были реализованы только организациями, имеющими доступ к лучшим ресурсам — финансам, талантам, оборудованию и данным. Создание робота-гуманоида, которого можно обучить любой задаче с помощью общего алгоритма искусственного интеллекта, еще далеко, но мы делаем правильные шаги в этом направлении.

Bridged помогает компаниям реализовать свою мечту о разработке ботов и приложений с искусственным интеллектом, позаботившись об их требованиях к обучающим данным. Мы создаем тщательно отобранные наборы данных для обучения алгоритмов машинного обучения для различных целей — беспилотные автомобили, распознавание лиц, агротехнологии, чат-боты, боты обслуживания клиентов, виртуальные помощники, НЛП и многое другое.