Бизнесу интересны решения, а не гипотезы.

За последние семь десятилетий популярность многих новых технологий «искусственного интеллекта» (ИИ) росла и падала. Многие из этих технологий предлагают технику или методологию, позволяющую машинам выполнять некоторые четко определенные задачи, необходимые в бизнесе, здравоохранении, вооруженных силах или других условиях. Однако они не обеспечивают жизнеспособный путь к машинному интеллекту человеческого уровня. Но это нормально. Большинство проблем, которые пытаются решить компании, не требуют такого уровня сложности. Простая автоматизация может покрыть подавляющее большинство этих проблем, а некоторые формы «ИИ» (машинное обучение, глубокое обучение, когнитивные вычисления и т. д.) могут покрыть большой набор оставшихся. Бизнесу интересны решения, а не гипотезы. Эти технологии обеспечивают довольно хорошие решения для большинства случаев использования в бизнесе.

Наша цель, однако, состоит в том, чтобы построить компьютерные системы, которые могут достичь интеллекта, эквивалентного человеческому. Сможет ли какая-либо конфигурация современных систем искусственного интеллекта когда-либо достичь интеллекта человеческого уровня? Нужны ли какие-то другие технологии, приемы или методологии для создания машин с интеллектом человеческого уровня? Имеет ли такая система экономическую ценность для бизнеса, которая, в конце концов, будет финансировать дальнейшие исследования и разработки? Это вообще правильные вопросы?

Это важные вопросы для людей, с которыми я работаю в Intelligent Artifacts. Ниже показано, как мы обсуждаем это внутри. Время от времени наши клиенты задают нам те или иные вопросы, вызывая оживленную дискуссию, которая всегда уводит нас далеко за пределы запланированного времени встречи! Но они всегда веселые и познавательные. Я надеюсь донести эту ясность, которую мы имеем в отношении этой проблемы, до них и до тех, кто разделяет нашу страсть в этой области. Я выберу некоторые термины, возможно, изменю их определение и полностью проигнорирую другие, которые, по моему мнению, не дают хорошего понимания дискуссии. Я не извиняюсь за это, поскольку цель состоит не в том, чтобы придерживаться традиции, сформированной случайностями истории, а в том, чтобы дать понимание с четким ретроспективным взглядом.

«Самая большая проблема для любого мыслителя — сформулировать проблему так, чтобы можно было найти решение».

Правильный вопрос, чтобы найти правильный ответ

В области ИИ есть подполе под названием Искусственный общий интеллект (AGI). К сожалению, в книге Стюарта Рассела и Питера Норвига Искусственный интеллект: современный подход, возможно, самом авторитетном в мире тексте по машинному интеллекту, не содержится определения ОИИ. Даже журнал Wired не смог найти единого мнения по поводу определения:

Microsoft Research с помощью OpenAI выпустила документ по GPT-4, в котором утверждается, что алгоритм является зарождающимся примером общего искусственного интеллекта (AGI). Что это значит? Конкретного определения термина не существует. Итак, как эти исследователи описывают это? Они сосредотачиваются на том, что алгоритм лучше, чем большинство людей, справляется со стандартными тестами, такими как экзамен на адвоката. Они также сосредоточены на самых разных вещах, которые может делать алгоритм, от упрощенного рисования до сложного кодирования. Исследовательская группа Microsoft откровенно заявляет о неспособности GPT-4 преуспеть во всех человеческом труде, а также об отсутствии у него внутренних желаний.

Согласно Википедии, ОИИ «является интеллектом машины, которая может успешно выполнять любую интеллектуальную задачу, которую может выполнить человек». Это неудачное определение обычно используется для AGI. Его также часто объединяют с термином «Сильный ИИ», который представляет собой философское различие в отношении подлинности (или подлинности) интеллекта. Как определено, это плохое определение увековечивает неправильные представления о компьютерных системах, которые могут спонтанно достичь «сознания» и захватить мир, как Скайнет. Есть много реальных этических проблем, которые люди пытаются решить, но их усилия кажутся мне напрасными, потому что их основные убеждения ошибочны. Я считаю, что этот недостаток связан с плохим определением того, чем на самом деле является ОИИ, по сравнению с тем, чем он не является.

Цитируется высказывание Бертрана Рассела: «Самая большая проблема для любого мыслителя — сформулировать проблему так, чтобы можно было найти решение». Здесь важно сделать это. Я хотел бы переформулировать определение ОИИ в форме, которая позволит нам создавать системы, способные к интеллекту человеческого уровня. Затем мы можем продолжить изучение этого определения, чтобы понять, как можно создать такие системы и избежать тупиковых ситуаций.

Во-первых, я хотел бы изменить структуру, в которой AGI вписывается в мир ИИ. Я считаю, что система ИИ — это особый случай систем ОИИ, а не как подполе ИИ. Это должно быть очевидно из термина «Общий» в AGI! Чтобы интерпретировать смысл этого, нужно понимать, что общие решения набора проблем по своей сути содержат подмножество одного или нескольких частных случаев. Таким образом, общая теория должна иметь возможность решать несколько частных случаев, но частные случаи не могут решаться за пределами их предметной области. Например, «Общая теория относительности», ОТО, в которой ускорение (следовательно, гравитация) включено в формулировку теории, включает в себя подмножество «Специальной теории относительности», СТО, случаев, когда ускорение не учитывалось.

Эта новая точка зрения полезна для определения того, что возможно, а что нет, когда мы ищем технологии для создания нашего машинного интеллекта человеческого уровня. Например, зная, что решения ИИ являются подмножеством решений AGI, можно полагать, что создание нескольких специальных решений для ИИ обеспечивает достижение AGI. Но если кто-то понимает масштаб возможных решений ИИ, то понимает, что глупо пытаться создать интеллект человеческого уровня, создавая сотни решений для особых случаев. Некоторые из самых умных людей пытались сделать именно это! Решение IBM Watson было геркулесовой попыткой разработать множество специальных вариантов использования ИИ в надежде, что они сформируют полный набор решений (или, по крайней мере, достаточно полный набор решений для бизнес-потребностей своих клиентов). Это разумный подход, если область ограничена. Но если целью или требованием является достижение машинного интеллекта на уровне человека, как заявляет IBM, то этот подход не масштабируется и, следовательно, не является устойчивым. На самом деле кажется, что даже ограниченный объем вариантов использования в бизнесе все еще слишком велик для создания масштабируемого решения с использованием специального ИИ.

Появляется определение

Вы могли заметить, что выше я использовал термин «особый ИИ». Действительно, я считаю, что «интеллект» по своей сути универсален! Мы связываем приспособляемость с интеллектом именно потому, что истинный биологический интеллект носит общий характер. Та же система должна быть способна адаптироваться к новым проблемным областям. Его «искусственность» — это всего лишь указание на то, что он создан человеком, а не возник из природы. Итак, я бы предпочел проводить различие между «специальным искусственным интеллектом» и «общим искусственным интеллектом», а не использовать термин «искусственный общий интеллект». Таким образом, мы могли бы затем изучить градации степеней, в которых ИИ является общим или специфичным по функциональности, предположив, что цель интеллекта — быть общим! Но сейчас я просто обдумываю слова, не добавляя особой ценности, так что давайте просто будем придерживаться общепринятого термина «AGI». (Кроме того, я не хочу больше злить свой отдел маркетинга!)

Теперь давайте определим AGI как систему машинного интеллекта, которая может функционировать в нескольких областях. Эта система должна иметь возможность обрабатывать данные из любой области (текст, изображения, голос и т. д.), обрабатывать эти данные, чтобы делать прогнозы, принимать решения и/или предпринимать действия, которые приведут систему в более благоприятное состояние.

Давайте определим AGI как систему машинного интеллекта, которая может обрабатывать данные из любой области и обрабатывать эти данные, чтобы делать прогнозы, принимать решения и/или предпринимать действия, которые приведут систему в более благоприятное состояние.

Мы еще не подняли машинный интеллект «человеческого уровня». На данный момент все, что нас интересует, — это создание системы, способной работать в нескольких и несоизмеримых особых случаях. Нам все равно, находится ли интеллект на уровне мыши или обезьяны. Нам просто нужна структура, которая позволит нам создавать ИИ, которые можно использовать в разных областях без особых переделок, если таковые имеются.

Повторяемый строительный блок интеллектуальных процессов

Затем мы хотим разбить вышеуказанную систему на модули таким образом, чтобы добавление большего количества этих «когнитивных процессоров», то есть универсального интеллектуального процесса, переработанного в доступную единицу, обеспечивало функциональность, подобную увеличению количества мозгового вещества. Но мы не хотим, чтобы это была какая-то аморфная группировка мозгового вещества! Мы хотим воспроизвести структуры коннектома, которые позволяют различным частям мозга дополнительно обрабатывать данные, которые уже были обработаны единицами, расположенными ближе к сенсорному краю. Теперь у нас есть воспроизводимый функциональный блок, поэтому нам не нужно изобретать новые решения для вертикального или горизонтального масштабирования.

Эти структуры могут образовывать иерархические или любые сетевые топологии. Какова правильная структура? Мы можем получить некоторые полезные сведения, проанализировав топологию человеческого коннектома. Это может быть полезно, скажем, для робота, но в большинстве реальных бизнес-применений эта конкретная топология, скорее всего, не принесет пользы. Случайный выбор из бесконечного пространства топологий, вероятно, также не приведет нас ни к чему продуктивному. Итак, теперь мы хотим включить метод автоматического поиска правильных топологий. Одним из проверенных временем методов является использование генетических алгоритмов (ГА) для преобразования простых топологий в более сложные формы в среде варианта использования. На данный момент это оказывается очень легко сделать. Предоставляя нашим решениям ДНК, полученные из переменных параметров и связей в их ориентированных графах, генетические алгоритмы могут автоматически находить оптимальные или почти оптимальные решения без каких-либо инженерных усилий.

Это решение природа выбрала для эволюции простого мозга медузы в более сложный мозг, такой как крысы, осьминоги и люди. Благодаря дистилляции фундаментального интеллектуального процесса внутри «когнитивного процессора» объем решений становится гораздо более достижимым в разумные сроки для развития этих решений AGI.

Чтобы дать ГА возможность быстро сходиться к полезным решениям, входы и выходы системы должны быть заранее определены таким образом, чтобы быть универсальными для любой проблемы, с которой мы можем столкнуться. Независимо от того, является ли домен обработкой изображений/видео, неструктурированным текстом, экзотическими датчиками или чем-то еще, что еще не рассматривалось, формат входных данных должен быть в состоянии принимать эти данные и передавать их в качестве входных данных в любой произвольный узел.

На выходе система должна производить универсальный объект, содержащий прогнозы, решения, действия — любой ответ!, который может потребоваться от нее в сжатой форме.

Автоматизируйте каждый аспект решения

Затем важно превратить это в простую в использовании платформу. Простота использования платформы предназначена не только для разработчиков или инженеров. Это также должно сделать автоматизацию каждой части системы более достижимой. Пользователи должны иметь возможность совместно разрабатывать хорошие решения. Таким образом, нет риска щелкнуть выключателем в один прекрасный день и покончить с миром. Прогресс есть и всегда был поступательным. В конечном итоге из такой системы возникнет машинный интеллект человеческого уровня, если мы обеспечим такое же давление окружающей среды при разработке решений, с которыми люди столкнулись в природе.

Развивайтесь в бизнес-среде

Наконец, важно работать в экосистеме, которая дает возможность дальнейшего совершенствования платформы AGI и эволюции решений в сторону человеческого интеллекта. В капиталистической экономической структуре, в которой мы живем и работаем, путь решения требует создания продуктов, полезных для бизнеса, чтобы стать более конкурентоспособными или эффективными. В альтернативном академическом подходе часто существует огромный разрыв между нетронутой лабораторной средой и шумным, хаотичным реальным миром. Мозг животных эволюционировал, чтобы разобраться в хаосе, чтобы они могли выживать и размножаться. На мой взгляд, создание решений, которые успешно работают в обычных бизнес-средах, является важнейшим компонентом рецепта AGI по созданию машинного интеллекта на уровне человека.

Бизнес также выигрывает от этой синергии. По сути, нам стало ясно, что специальные ИИ-решения не могут масштабироваться для удовлетворения потребностей бизнеса. Предприятиям требуется AGI, чтобы снизить затраты, открыть для себя межуровневую эффективность и быстрее выйти на свои рынки.

Изложенное выше — не просто теоретическая работа. Мы в Intelligent Artifacts создали эту платформу и уже почти десять лет используем ее в производственных системах. Наш прогресс был методичным и преднамеренным. Подобно низшим формам жизни доисторических времен, мы позаботились о том, чтобы решения нашей платформы были полезны для наших клиентов, прежде чем развивать их дальше. Мы еще не достигли машинного интеллекта человеческого уровня. Но у нас есть четкий, жизнеспособный путь к этой конечной цели. Наше решение масштабируется по горизонтали, чтобы охватить все особые случаи ИИ, и не зависит от отрасли/сектора. Он также масштабируется по вертикали для повышения производительности в каждом случае использования.

Насколько нам известно, ни одна другая организация не разработала систему с такой сложностью, производительностью или потенциалом, как у нас. Они могут быть где-то там, и тихо строить свою собственную потрясающую платформу, как мы делали последние 15 с лишним лет. Если да, мы в Intelligent Artifacts приветствуем вас. Мы знаем, что наша цель не просто создать полезный продукт. Это изменение человеческого опыта. Это должно вывести цивилизацию на новую траекторию. Доберетесь ли вы первыми или мы, конечный результат будет одинаковым. Все выиграют от этого смелого нового будущего.

Севак Авакянс имеет опыт работы в области физики, телекоммуникаций, теории информации, кибербезопасности и искусственного интеллекта. В 2008 году эти ключевые навыки позволили ему создать GAIuS, символическую модель общего искусственного интеллекта (AGI), которая представляет собой как программное обеспечение, так и теоретическую основу для интеллекта.

В 2010 году Севак основал Intelligent Artifacts изначально как R&D и консультационную службу для когнитивных вычислений. На протяжении многих лет он создавал GAIuS Cognitive Computing Platform как коммерческий продукт, запущенный в 2016 году. GAIuS Cognitive Computing Platform позволяет разработчикам быстро создавать, тестировать, развертывать и поддерживать машинный интеллект, обучение, классификацию, прогнозы, аналитику и т. д. в их продукты.

В 2020 году команда Intelligent Artifacts встроила механизм рассуждений в GAIuS, создав самую первую модульную, воспроизводимую, независимую от прецедентов, полную платформу искусственного интеллекта / машинного обучения / рассуждений (AI / ML / R), которая придерживается Принципы ExCITE AI.

GAIuS справляется со всей сложностью машинного интеллекта за 4 вызова API. Агенты GAIuS можно создать и развернуть менее чем за 3 минуты. Разработчики копируют и вставляют URL-адрес API агента GAIuS в свое приложение. Агенты GAIuS имеют ДНК и развиваются в своей среде, устраняя многие препятствия на пути к истинному машинному интеллекту.