история искусственного интеллекта тест тьюринга

Программы с искусственным интеллектом, такие как Xiaoice, популярный в Китае чат-бот-компаньон, похожий на человека, могут обмануть людей, заставив их думать, что у них есть собственный разум и чувства.

В 1950 году ученый Алан Тьюринг предложил мысленный эксперимент, который он назвал имитационной игрой. Интервьюер общается с двумя испытуемыми через послания, набранные на печатной машинке. При этом ему известно, что один из них — человек, а другой — машина.

Если бы машина могла последовательно обманывать интервьюера, заставляя его поверить, что это человек, предположил Тьюринг, мы могли бы говорить о ней как о способной к чему-то вроде мышления.

Тьюринг считал, что вопрос о том, могут ли машины на самом деле мыслить, был «слишком бессмысленным, чтобы заслуживать обсуждения». Тем не менее, тест Тьюринга стал эталоном для машинного интеллекта. На протяжении десятилетий различные компьютерные программы пытались пройти его, используя примитивные разговорные трюки, и у некоторых это даже получалось.

Если реалистичные ответы LaMDA убедили даже Лемуана, легко поверить, что это сработало бы и со многими другими людьми, которые гораздо меньше разбираются в ИИ. Это демонстрирует, насколько велик потенциал алгоритма как инструмента обмана и манипулирования в чужих руках.

Таким образом, для многих специалистов в этой области выдающиеся способности LaMDA в имитационной игре Тьюринга не являются значимым достижением. В любом случае, это показывает, что авторитетный тест уже не является ориентиром для ИИ.

Читайте по теме: Инженер Google обнаружил сознание у нейросети LaMDA

«Эти тесты на самом деле не касаются интеллекта», — сказал Гэри Маркус, ученый-когнитивист и соавтор книги «Искусственный интеллект: перезагрузка». То, что он выявляет, — это способность программы выдавать себя за человека, по крайней мере, при определенных условиях. Что, если задуматься, может быть не так уж хорошо для общества.

«Я не думаю, что это движение в сторону интеллекта. Это движение в сторону того, чтобы обмануть, убедив в наличии интеллекта», — сказал Маркус, имея в виду программы вроде LaMDA, которые создают тексты или разговоры, напоминающие человеческие.

Лемуан, возможно, выделяется среди своих коллег по отрасли. И его коллеги из Google, и сторонние эксперты по ИИ говорят, что программа не обладает и не может обладать ничем подобным внутренней жизни, которую он себе представляет. Нам не нужно беспокоиться о том, что LaMDA в ближайшее время превратится в Скайнет, злобный машинный разум из фильмов о Терминаторе.

Но теперь есть иной повод для беспокойства: мы живем в мире, предсказанном Тьюрингом, где некоторые компьютерные программы настолько продвинуты, что людям может казаться, что они обладают собственной волей, даже если на самом деле это не так.

Фото в тексте: Bas Nastassia / Shutterstock

Передовые программы ИИ, такие как генератор текста GPT-3 от OpenAI и генератор изображений DALL-E 2, предназначены для создания творений, фантастически напоминающих человеческие. Для этого используются огромные массивы данных и огромные вычислительные мощности.

Такие алгоритмы представляют собой гораздо более мощный и сложный подход к разработке программного обеспечения, чем было возможно в 1960-х годах, когда программисты давали чат-боту ELIZA заготовленные ответы на различные вербальные сигналы, чтобы обмануть собеседников-людей.

И у них могут быть коммерческие применения в повседневных инструментах — поисковые системы, предложения автозаполнения и голосовые помощники, такие как Siri от Apple и Alexa от Amazon.

Также стоит отметить, что сектор ИИ в значительной степени отошел от использования теста Тьюринга в качестве эталона. Разработчики больших языковых моделей теперь стремятся получить высокие баллы по таким тестам, как GLUE (General Language Understanding Evaluation, оценка общего понимания языка) и SQuAD (Stanford Question Answering Dataset, набор данных для ответов на вопросы Стэнфорда).

И в отличие от ELIZA, LaMDA не создавалась, чтобы выдавать программу за человека. У нее просто очень хорошо получается собирать и выдавать правдоподобно звучащие ответы на самые разные вопросы.

Тем не менее, несмотря на всю эту сложность, у теста Тьюринга и современных моделей и тестов есть общая основная цель — получить результаты, максимально похожие на человеческие.

Митчелл и ее бывший коллега Тимнит Гебру были уволены Google в 2021 и 2020 годах соответственно после того, как они стали соавторами статьи, посвященной этим и другим рискам больших языковых моделей.

В то время как Google дистанцировалась от заявлений Лемуана, ИТ-специалисты и другие лидеры отрасли иногда отмечали способность своих систем обманывать людей, отметил Джереми Кан, автор рассылки Fortune о проблемах ИИ.

«Самое тревожное наследие теста Тьюринга — этическое: в основе теста лежит обман. И здесь влияние теста на сферу было очень реальным и тревожным», — писал Кан.

Как и прочие критики и комментаторы ИИ, Кан призвал отказаться от теста Тьюринга и двигаться дальше. Конечно, индустрия уже сделала это в том смысле, что она заменила имитационную игру более научными ориентирами.

Но история с Лемуаном наводит на мысль, что, возможно, тест Тьюринга мог бы послужить другой цели в эпоху, когда машины все больше и больше умеют звучать по-человечески. Вместо того, чтобы быть желательным стандартом, тест Тьюринга должен служить этическим красным флагом: любая система, способная пройти его, несет в себе опасность обмана людей.

Фото на обложке: Zapp2Photo / Shutterstock

Могут ли машины думать? Именно такой вопрос задал известный британский ученый Алан Тьюринг (в честь которого назван небезызвестный тест) в своей работе «Вычислительная техника и интеллект» в 1950 году. Еще точнее, он задал вопрос «могут ли машины делать, что мы (как мыслящие существа) можем делать?». Еще в 40-х годах Тьюринг в числе первых начал исследовать первые проблемы «умных машин», или как их называют сейчас — искусственного интеллекта. Будем использовать оба термина как синонимы.

В своей работе Тьюринг вывел несколько философских возражений по поводу существования искусственного интеллекта. Ученый вывел их в оппозицию к собственному мнению: он полагал, что к концу 20-го века машина сможет пройти «тест Тьюринга», обманув собеседника в не менее чем 30 % случаев и убедив его, что является человеком, а не машиной.

Видение ученого пока не стало правдой, но сегодня мы как никогда близки к появлению искусственного интеллекта.

Много лет авторы научной фантастики пытались найти ответы на эти философские вопросы, каждый раз по-разному представляя историю искусственного интеллекта. В этой статье мы рассмотрим несколько проблем искусственного интеллекта, которые предполагал Тьюринг, но которые смогла частично разрешить научная фантастика.

Первым из философских возражений является теологический аргумент. Допустим, «мышление является функцией бессмертной души человека. Бог дал бессмертную душу каждому мужчине и каждой женщине, но не животным и машинам. Потому ни одно животное или машина не может мыслить».

Если это так, то даже если машина воспроизведет все внутренние устройства разумного существа, она не сможет достичь истинного интеллекта без души. Однако Тьюринг утверждает, что ошибка такого аргумента заключается в том, что даже если «всемогущая сущность» существует (божество или нечто иное), нет ничего сложного в том, чтобы заключить душу в иную емкость, например, в сложный человекоподобный мозг или эквивалентную машину. Ученый также говорил, что создание достаточно сложной машины для размещения души ничем не отличалось бы от рождения ребенка, то есть создания очередного индивидуума для того, чтобы «всемогущий» имплантировал в него душу.

В аниме Ghost in the Shell рассматриваются отношения между человечеством, технологиями и тем, что это может означать для человека разумного или обладающего душой. Сознание или душа человека — это то, что отделяет людей от роботов. Поскольку люди обладают «призраком» (ghost), даже если их тела заменяются кибернетическими компонентами, в том числе и кибермозгом, они сохраняют свою человечность. В то же время, полностью построенному с нуля роботу будет не хватать такого призрака, который предоставит ему душу и подлинный интеллект.

Аргумент «головы в песке», представленный Тьюрингом, заключается в том, что «создание мыслящих машин было бы ужасно. Будем верить и надеяться, что этого не произойдет». Такое возражение связано с тем, что «мы хотели бы верить, что человек определенным тонким образом превосходит все остальные творения». То есть остается уникальным. Но мы уже писали о том, что создать искусственный интеллект — очень заманчивая и выгодная цель.

Тьюринг считает этот аргумент крайне слабым, поскольку он основан на наших опасениях уступить другим мыслящим существам. Этот страх реализуется в фильмах о «Терминаторе» с системой искусственного интеллекта SkyNet, которая решает уничтожить людей после активации. Поскольку SkyNet представляет собой «бестелесный» ум в суперкомпьютере, он использует терминаторов, чтобы добиться своей цели. Роботы из этого фильма воплощают страх, который порожден вышеупомянутым философским возражением, и показывают, что только потому, что мы чего-то боимся, это не лишено почвы.

Согласно Тьюрингу, математические пределы логики и вычислений могут существенно ограничить интеллект вычислительных машин. Он утверждает, что «есть ряд результатов математической логики, которые можно использовать, чтобы показать, что полномочия дискретных машин существенно ограничены», в частности, ссылаясь на теорему Геделя.

Математический предел связан с другим ограничением разумных машин, «аргументом в пользу сознания». Тьюринг развивает идею машины, подражающей участнику партийной игры, то есть выдающей себя за человека. Именно здесь появляется идея теста Тьюринга: следователь пытается определить, разговаривает он с искусственным существом или машиной. Если машина «пройдет» тест и убедит следователя в том, что она — человек, то перед ним будет искусственный интеллект.

Применение теста Тьюринга показано в фильме «Бегущий по лезвию», где машину «Войт-Кампф» используют для наблюдения за физиологическими реакциями и определения, является ли субъект «репликантом» (андроид с искусственным интеллектом) или же человеком. Отметим, что на сегодняшний день тест Тьюринга не прошла ни одна машина.

В «аргументе в пользу различных отклонений» Тьюринг предоставляет список человеческих черт, которыми искусственный интеллект, возможно, никогда не будет обладать. В списке: доброта, любовь, чувство юмора или способность делать что-то действительно новое. Сам же Тьюринг возражает: люди формируют свое представление о том, что такое машина и что она вообще может, основываясь на собственных наблюдениях. Поскольку у наблюдаемых сегодня машин (а в 1950 году тем более) нет таких человеческих черт, можно предположить, что никогда и не будет. Но научная фантастика нашла много способов очеловечить ИИ.

Юный хакер Дэвид Лайтмен почти случайно начинает третью мировую войну, играя в «мировую термоядерную войну» с военным суперкомпьютером WOPR в War Games. Когда WOPR продолжает играть и пытается получить доступ к кодам запуска ракет, озорной тинейджер и ученый от правительства дают инструкцию WOPR играть в крестики-нолики с самим собой. Найдя в себе идеального партнера и зная результат каждой игры, WOPR понимает, что ему хотят сказать: что в ядерной войне не будет победителей, поэтому заканчивает игру. Математические и вычислительные ограничения ИИ используются против него самого, чтобы научить его человеческому пониманию гарантированного взаимного уничтожения.

Тип суперкомпьютера HOLMES, которого создатель Мануэль О’Келли просто называет Майк в книге Хайнлайна «Луна — суровая хозяйка», спонтанно становится разумным и дружит с Мануэлем. Имея доступ ко всей написанной людьми информации, Майк узнает о чувстве юмора своего друга, о его шутках, загадках и песнях. Чувство юмора компьютера и поиск путей развития недавно приобретенного разума приводят его к тому, что он присоединяется к лунной революции в борьбе за независимость от Земли. Компьютер видит это как игру со своим другом.

Это всего лишь небольшая выборка из многих произведений научной фантастики, которые представляют альтернативные ответы на эти и другие вопросы об искусственном интеллекте. Да, в реальном мире машина еще не прошла тест Тьюринга, но творческие умы фантастов продолжают искать возможные пути развития ИИ.

Внимание, вопрос. Представьте себе идеально настроенный для себя искусственный интеллект. Нет, отбросьте все трагичные варианты развития ИИ и пусть он будет бестелесным, и попробуйте найти для себя ответ: каким качеством должен обладать ваш ИИ, что должен уметь, чтобы стать для вас незаменимым?

Компьютер впервые в истории смог обмануть человека, выдав себя за 13-летнего подростка. Таким образом инженерам впервые удалось достичь успеха в создании искусственного интеллекта, заставив машину пройти тест, идея которого в 1950 году была предложена английским ученым Аланом Тьюрингом.

Ни одной программе не удавалось пройти этот порог до того, как это сделала в субботу на организованном британским Университетом Рединга мероприятии программа, разработанная в Санкт-Петербурге.  Программа смогла убедить 33% судей в том, что она человек, таким образом, первой в мире пройдя тест Тьюринга, сообщает The Verge.

Тест Тьюринга назван в честь знаменитого английского математика Алана Тьюринга, взломавшего нацистский код «Энигма» в годы Второй мировой войны. Тьюринг в 1950 году предложил тест в качестве ответа на занимавший его вопрос: «Могут ли машины думать?» Во время теста машина должна убедить человека посредством переписки с ним, что она является человеком, а не искусственным разумом. Если она сможет обмануть как минимум 30% собеседников, то тест считается пройденным. Тест считается пройденным, если искусственный разум убедит по крайней мере 30% собеседников в том, что он человек.

Тестирование, организованное Университетом Рединга в Лондоне, удалось пройти российской программе, которая выдавала себя за 13-летнего мальчика из Одессы Евгения Густмана. Один из авторов программы Владимир Веселов (проживающий в настоящее время в США) отметил, что возраст виртуального персонажа усилил правдоподобность, поскольку в 13 лет вполне естественно не знать каких-то вещей. Веселов разработал программу совместно с украинцем Евгением Демченко, который живет в России.

«Это замечательное достижение для нас, и мы надеемся, оно подстегнёт интерес к искусственному разуму и чат-ботам», — добавил Веселов.

«Некоторые будут утверждать, что тест уже был ранее пройден, т.к. тестом Тьюринга называлось множество аналогичных соревнований по всему миру, но Turing Test 2014 в Лондоне наиболее объективный и независимый из них, к тому же тематика вопросов была ничем не ограничена», — прокомментировал эксперимент профессор Кевин Уорвик из Университета Ковентри.

«Наша главная идея заключалась в том, что мальчик мог утверждать, что он знает все, но его возраст указывает на то, что он не знает всего. Мы потратили много времени, разрабатывая характер с правдоподобной индивидуальностью», — рассказал автор программы Веселов после победы.

Примечательно, что компьютер впервые прошел тест Тьюринга в 60 годовщину смерти Алана Тьюринга, известного математика, логика, полвека назад оказавшего существенное влияние на развитие информационных технологий.

А вот еще в 2012 году двум командам программистов удалось победить в конкурсе BotPrize, который называют «игровой версией» теста Тьюринга. Сообщение о результатах теста приведено на сайте BotPrize, кратко его результатыанализирует NewScientist.

Тест BotPrize проходил в виде многопользовательской компьютерной игры (Unreal Tournament 2004), персонажами которой управляли реальные люди или компьютерные алгоритмы. Игроки, одновременно выступавшие в роли судей, должны были оценить вероятность того, что тем или иным персонажем управляет человек, а не компьютерная программа. На основе этой оценки для всех участников игры рассчитывалась средняя «человекоподобность» поведения.

В ходе теста двум компьютерным алгоритмам удалось достичь «человекоподобности» около 52 процентов, что на 10 процентов больше, чем средняя соответствующая оценка у реальных игроков.

Один из алгоритмов, Mirrorbot, разработал сотрудник французского Европейского центра виртуальной реальности Михай Полчеану (Mihai Polceanu). Главной особенностью Mirrorbot является мимикрия поведения противника. Она заключается в том, что алгоритм в реальном времени повторяет действия соперников — бег, стрельбу или смену оружия.

Второй алгорим, UT^2, разработали сотрудники Техасского университета в Остине. Он также основан на имитации поведения людей, но не связан с его копированием в реальном времени. Главной чертой программы является человекоподобный способ обходить препятствия, который, по словам создателей, наиболее ярко отличает поведение ботов от поведения реальных людей.

Конкурс BotPrize проводится уже пятый год подряд, но только сейчас командам-претендентам удалось его выиграть. Призовой фонд, составляющий 7 тысяч долларов, команды-победители поделят между собой. Интересно, что алгоритм, основанный на популярной модели нейронных сетей, не смог обмануть судей и показал только четвертый результат.

Конкурс BotPrize нельзя считать полноценным аналогом оригинального теста Тьюринга. В исходной постановке задачи компьютерная программа должна убедить судью в том, что она является человеком во время свободной беседы. Для этого искусственный интеллект должен обладать глубоким пониманием человеческого языка. И тогда же в 2012 сообщалось, что такая задача существенно сложнее и до сих пор ни одной программе пройти тест не удалось.

Напомню вам еще что нибудь интересное про компьютерные технологии :  вот например Магнитная лента не умерла, а вот  Как видеоигры защищали от пиратства 30 лет назад. Давайте вспомним еще Компьютер из «Терминатора» и Как добывают биткоины

Давайте погрузимся в эту тему с древних времен вплоть до 2022 года.

Античность

Искусственный интеллект (ИИ) начался с мифов, легенд и историй об искусственных существах, наделенных интеллектом или сознанием, созданных мастерами-ремесленниками. Ранние греческие философы пытались изобразить процесс человеческого мышления как машинное манипулирование символами для формирования теорий.

Более поздняя фантастика

Идеи об искусственных людях и мыслящих машинах были созданы в художественной литературе, например, в «Франкенштейне» Мэри Шелли или у Карела Чапека (Универсальные роботы Россума) и в спекуляциях, таких как «Дарвин среди машин» Сэмюэля Батлера, и на основе реальных событий как в «Шахматисте Мэльцеля» Эдгара Аллана По.

Автоматы

Ремесленники всех цивилизаций, в том числе Ян Ши, Герой Александрии, Аль-Джазари, Пьер Жаке-Дро и Вольфганг фон Кемпелен, разработали реалистичные гуманоидные автоматы. Древнеегипетские и греческие священные статуи были первыми известными автоматами. Религиозные приспешники верили, что ремесленники наделили эти фигуры настоящим разумом. В средние века говорили, что эти легендарные автоматы отвечают на адресованные им вопросы.

Формальное рассуждение

Искусственный интеллект основан на идее, что человеческое мышление может быть механизировано. Было проведено много исследований формального — или «механического» — «рассуждения». Китайские, индийские и греческие философы изобрели методы формальной дедукции первого тысячелетия до нашей эры. Они были разработаны такими философами, как Аристотель (написавший строгий анализ силлогизма), Евклид (чьи «Элементы» были моделью формального рассуждения), Аль-Хорезми (который создал алгебру, и ему приписывают то, что он дал свое имя «алгоритму»), и европейские мыслители-схоласты, такие как Уильям Оккам.

Испанский философ Рамон Луллий (1232–1315) создал несколько логических машин для генерации знаний с помощью логических процедур; он называл свои устройства механическими существами, которые могли объединять фундаментальные и бесспорные факты, используя простые логические операции для производства всех возможных знаний. Готфрид Лейбниц возродил идеи Луллия.

Лейбниц, Томас Гоббс и Рене Декарт исследовали в 16 веке перспективу того, что все рациональное мышление может быть сведено к алгебре или геометрии. Причина, по словам Гоббса, «не что иное, как расплата». Лейбниц вообразил себе глобальный язык рассуждений (characteristica universalis), который сведет спор к расчету, так что «между двумя философами будет не больше необходимости в споре, чем между двумя бухгалтерами. Им достаточно взять свои карандаши. Мыслители впервые сформулировали гипотезу системы физических символов, которая в конечном итоге стала центральным убеждением в исследованиях ИИ.

В 20-м веке математическая логика совершила решающий прорыв, благодаря которому искусственный интеллект стал казаться практичным. Такие работы заложили основу для «Законов мысли» Буля и «Begriffsschrift» Фреге. В 1913 году Рассел и Уайтхед опубликовали Principia Mathematica, формальное исследование основ математики, основанное на системе Фреге.

Ответ, который они получили, был неожиданным в двух отношениях. Во-первых, они доказали, что существуют пределы возможностей математической логики. Однако, во-вторых, и это более важно (для ИИ), их исследования показали, что любой математический вывод может быть механизирован в рамках этих параметров.

Тест Тьюринга

Тест Тьюринга — это долгосрочная цель исследований ИИ. Способны ли мы когда-нибудь создать компьютер, который сможет настолько имитировать человека, что даже подозрительный судья не сможет отличить его? С момента своего создания он пошел по тому же пути, что и большая часть исследований ИИ. Первоначально это казалось трудным, но выполнимым (как только появились аппаратные технологии).

Несмотря на десятилетия исследований и значительные технологические усовершенствования, тест Тьюринга продолжает служить целью для исследователей ИИ, а также показывает, насколько мы далеки от его достижения.

В 1950 году английский математик и ученый-программист Алан Тьюринг опубликовал статью под названием «Вычислительные машины и интеллект», которая положила начало области, которая впоследствии стала известна как искусственный интеллект. Это было за несколько лет до того, как Джон Маккарти ввел термин «искусственный интеллект». Статья начиналась с простого вопроса: «Могут ли машины думать?» После этого Тьюринг предложил метод определения способности машин мыслить, который стал известен как тест Тьюринга. «Игра в имитацию» была разработана как простой тест, который можно было использовать для определения того, мыслят ли машины. Предполагая, что компьютер, запрограммированный так, чтобы выглядеть точно так же, как интеллектуальный человек, действительно продемонстрировал, что компьютеры могут мыслить.

Хотя люди продолжают спорить о том, могут ли машины мыслить и тестировать киберпространство, ясно, что Алан Тьюринг и предложенный им критерий предоставили мощное и поучительное видение области ИИ. Эта статья, написанная самим Аланом Тьюрингом, внесла его основополагающий вклад в исследования ИИ и проложила путь современной информатике. Тест Тьюринга широко известен как веха в области искусственного интеллекта и может рассматриваться как цель на многие годы вперед, а также является важной вехой в отслеживании прогресса всей области ИИ.

Кибернетика и ранние нейронные сети

Изобретение компьютера вдохновило на ранние исследования интеллектуальных машин. Слияние идей возникло в конце 1930-х, 1940-х и начале 1950-х годов, вдохновив более ранние работы в области неврологии. Работы Норберта Винера и Клода Шеннона были сосредоточены на управлении и устойчивости электрических сетей. Теория информации Клода Шеннона описала цифровые сигналы (сигналы «все или ничего»). Теоретическое представление Алана Тьюринга о вычислениях доказало, что любой вид вычислений может быть представлен в цифровом виде. Тесная связь между этими идеями предполагала возможность создания электронного мозга.

Роботы, такие как черепахи У. Грея Уолтера, а также зверь Джонса Хопкинса, являются примерами работы в этой области. Эти машины приводились в движение аналоговой электроникой и инстинктами, а не компьютерами, цифровой электроникой или символическим мышлением; они полностью контролировались аналоговой схемой.

В 1943 году Уолтер Питтс и Уоррен МакКаллох исследовали сети идеализированных искусственных нейронов и продемонстрировали, как они могут выполнять основные логические операции. Они были первыми, кто описал то, что более поздние исследователи назвали нейронной сетью. Молодой Марвин Мински, тогда 24-летний аспирант, был вдохновлен Питтсом и Маккалохом. В 1951 году (вместе с Дином Эдмондсом) он создал первую машину нейронной сети SNARC. В течение следующих 50 лет Мински будет одним из самых важных лидеров и новаторов ИИ.

Игровой ИИ

В 1951 году Кристофер Стрейчи и Дитрих Принц создали программы для игры в шахматы для машины Ferranti Mark 1 в Манчестерском университете. Программа для шахмат Артура Сэмюэля, созданная в середине 50-х и начале 60-х годов, со временем достигла мастерства любительского уровня. Использование ИИ в играх останется на протяжении всей истории как показатель прогресса в области ИИ.

Дартмутская конференция 1956

В 1956 году Дартмутскую конференцию организовали Марвин Мински, Джон Маккарти и два старших ученых IBM: Клод Шеннон и Натан Рочестер. «Может быть построена машина, которая дублирует любой аспект человеческого интеллекта», — говорится в предложении. Среди участников были Рэй Соломонофф, Оливер Селфридж, Тренчард Мор, Артур Сэмюэл, Аллен Ньюэлл и Герберт А. Саймон — все они продолжали создавать важные проекты ИИ в первые десятилетия исследований. На конференции Ньюэлл и Саймон представили работу «Теоретика логики», а Маккарти призвал участников принять «Искусственный интеллект» в качестве названия целой области разработки. Дартмутская конференция 1956 года стала событием, которое дало ИИ его имя, цель и первый успех, а также его ключевых игроков и определяющие моменты.

Символический ИИ 1956–1974 гг.

Для большинства людей годы после Дартмутского семинара были просто «поразительными»: компьютеры решали задачи по алгебре, доказывали геометрические теоремы и учились говорить по-английски. В конце 1960-х годов мало кто мог подумать, что такое «разумное» поведение машин возможно. В частном порядке и в печати ученые выражали большой оптимизм по поводу того, что полностью разумная машина будет разработана менее чем за 20 лет. Новое поле привлекло значительное финансирование со стороны государственных учреждений, таких как DARPA.Первая зима ИИ 1974–1980 гг.

В 1970-х годах ИИ столкнулся с критикой и финансовыми неудачами. Трудности, с которыми столкнулись исследователи ИИ, ими не осознавались. Их огромные ожидания превзошли разумные пределы, и когда обещанные преимущества не появились, государственное финансирование ИИ прекратилось. В то же время в течение десяти лет после разрушительной критики персептронов Марвином Мински область коннекционизма (или нейронных сетей) бездействовала. Несмотря на негативное отношение общественности к ИИ в конце 1970-х годов, новые идеи были исследованы в логическом программировании, рассуждениях на основе здравого смысла и во множестве других областей.

Бум 1980–1987 гг.

С первых дней существования знание ИИ было серьезной проблемой. Экспертные системы, форма программы ИИ, были приняты предприятиями по всему миру в 1980-х годах, и знания ИИ стали центром основных исследований ИИ. В 1990-х годах японское правительство вложило значительные средства в ИИ, разработав компьютерную инициативу пятого поколения. Еще одним обнадеживающим моментом стало возрождение коннекционизма в работах Джона Хопфилда и Дэвида Румельхарта в начале 1980-х годов. И снова ИИ преуспел.

Вторая зима ИИ 1987–1993 гг.

В 1980-х годах внимание делового мира к ИИ соответствовало классической модели экономического пузыря. Авария была вызвана тем, что коммерческие поставщики не смогли предложить множество работоспособных решений. Сотни компаний потерпели крах, и многие инвесторы отказались вкладывать в них средства. Многие считали, что технология нежизнеспособна, но исследования продолжались. Многие эксперты, такие как Родни Брукс и Ханс Моравек, выступали за радикально новый вид ИИ.

ИИ 1993–2011 гг.

Область искусственного интеллекта, которой уже более полувека, достигла некоторых из своих основных целей. В настоящее время он эффективно используется во всем технологическом секторе, хотя и несколько незаметно. Некоторые из ИИ были результатом улучшения вычислительных возможностей, в то время как другие стали результатом сосредоточения внимания на конкретных изолированных проблемах и стремления достичь наивысшего уровня научной ответственности. И все же репутация ИИ в деловом мире была далеко не звездной. В этой области было ограниченное согласие относительно того, почему ИИ не смог выполнить свое обещание интеллекта на уровне человека в 1960-х годах. ИИ был разделен на несколько отдельных дисциплин, каждая из которых фокусировалась на отдельной проблеме или методе, тем не менее создавая иллюзию, что они работают для достижения одной и той же цели.

Победа

Исследователи искусственного интеллекта начали создавать и использовать сложные математические подходы с большей скоростью, чем когда-либо прежде. Ученые в таких областях, как математика, электротехника, экономика и исследование операций, уже решали многие из проблем, которые должен был решить ИИ. Общий математический язык позволил расширить сотрудничество между различными областями и получить измеримые и проверяемые результаты; по словам Рассела и Норвига (2003), ИИ теперь стал более серьезной «научной» дисциплиной.

Теория вероятности и принятия решений была включена в ИИ с тех пор, как влиятельная работа Джуди Перл 1988 года представила теорию вероятности и принятия решений в этой области. Байесовские сети, скрытые марковские модели, теория информации, стохастическое моделирование и классическая оптимизация — вот лишь некоторые из многих новых используемых методов. Математические представления были также разработаны для парадигм «вычислительного интеллекта», таких как нейронные сети и эволюционные алгоритмы.

Прогнозы (или «Где HAL 9000?»)

В 1968 году Артур Кларк и Стэнли Кубрик предсказали, что к 2001 году машина будет иметь интеллект, сравнимый с человеческим или превосходящий его. HAL 9000, ИИ-персонаж, который они разработали, был основан на представлении многих ведущих экспертов по ИИ о том, что такое устройство будет разработано к 2001 году.

К 2016 году рынок товаров, оборудования и программного обеспечения, связанных с ИИ, достиг более 8 миллиардов долларов, а интерес к ИИ достиг «мании». Приложения больших данных начали выходить за рамки статистики. Например, большие данные использовались для обучения моделей в области экологии и для различных экономических приложений. Достижения в области глубокого обучения (особенно глубокие сверточные нейронные сети и рекуррентные нейронные сети) стимулировали прогресс и исследования в области обработки изображений и видео, анализа текста и даже распознавания речи.

Большие данные (Big Data)

Большие данные — это термин, используемый для описания огромных объемов числовых данных, которые выходят за рамки возможностей типичного прикладного программного обеспечения. Требуется совершенно новый набор моделей обработки для управления этим уровнем принятия решений, понимания и оптимизации процессов. В эпоху больших данных Виктор Мейер Шонберг и Кеннет Кук определяют большие данные как «все данные, которые используются для анализа, а не для случайной оценки (выборочное обследование)».

Ниже приведены пять важных характеристик больших данных: объем, скорость, разнообразие, ценность, и достоверность (предложена IBM) (Volume, Velocity, Variety, Value, Veracity). Значение технологии больших данных не в том, чтобы обрабатывать огромные объемы данных, а в том, чтобы сосредоточиться на важных битах. Иными словами, если большие данные уподобить экономике, ключ к прибыльности в этом секторе улучшается, «обрабатывающая способность» данных и превращается в «добавленную стоимость».Общий искусственный интеллектСпособность решать любую проблему, а не только конкретную, называется общим интеллектом. Искусственный общий интеллект (или «AGI») относится к программному обеспечению, которое может применять интеллект для решения множества проблем так же, как это могут делать люди.

В начале 2000-х исследователи ИИ утверждали, что разработка ИИ в значительной степени отказалась от первоначальной цели создания искусственного общего интеллекта. Исследование ОИИ было выделено в отдельную поддисциплину, и к 2010 году проводились научные конференции, лаборатории и университетские курсы, посвященные исследованиям ОИИ, а также частные консорциумы и новые фирмы.

Искусственный общий интеллект также известен как «сильный ИИ», «полный ИИ» или синтетический интеллект, а не как «слабый ИИ» или «узкий ИИ».

ИИ в 2022

Искусственный интеллект (ИИ) стал деловой и организационной реальностью для многих секторов производства и экономики. Даже если преимущества ИИ не всегда очевидны, он показал себя способным повысить эффективность процессов, уменьшить количество ошибок и трудозатрат, а также извлечь ценную информацию из больших данных.

Человечество обсуждает, что будет следующим большим открытием в мире, когда речь заходит о тенденциях на основе ИИ. Здесь представлен список самых интригующих тенденций ИИ, которые можно ожидать в 2022 году:

Итог

Искусственный интеллект оказывает огромное влияние на будущее каждого сектора науки, экономики, производства и каждого человека. Искусственный интеллект с самого начала способствовал развитию инновационных технологий, таких как большие данные, робототехника и Интернет вещей и он будет развиваться дальше.

Разные грани одной мечты. Как различаются искусственный интеллект и машинное обучение

70 с лишним лет развитие математических методов, объединяемых зонтичным понятием «искусственный интеллект», проходит практическую проверку на тесте Тьюринга. Похоже, пришло время его модернизировать.

Начало истории искусственного интеллекта (ИИ) связывают с публикацией в 1950 г. статьи английского математика Алана Тьюринга Computing Machinery and Intelligence, а также с появлением теста его имени, призванного оценивать «интеллектуальность» мыслящих машин. Что такое тест Тьюринга? В переписке на естественном языке между человеком, компьютером и третьим участником — независимым арбитром — компьютер должен успешно выдать себя за человека. С тех пор огромные усилия математиков и специалистов в когнитивных науках были вложены в практическую реализацию тезиса «вести себя как человек». И на этом пути регулярно встречаются точки завышенных ожиданий с последующими разочарованиями, за которыми следуют новые повороты в научных исследованиях.

ИИ: ЗНАНИЯ И ЛОГИКА МОГУТ ВСЁ

Летом 1956 г. во время знаменитого семинара в Дартмутском колледже четыре столпа ИИ — Джон Маккарти, Марвин Минский, Натаниэль Рочестер и Клод Шеннон — решили в течение двух месяцев совместной работы в стиле мозгового штурма создать механизмы формализации интеллектуальной деятельности человека и воплотить на программном уровне распознавание текстов на естественном языке, формирование абстрактных понятий и концепций с тем, чтобы компьютер мог имитировать человека в сфере интеллектуальных действий. Поставленной цели они, конечно, не достигли, но положили начало практическим реализациям систем искусственного интеллекта в виде систем, основанных на знаниях и соответствующих правилах логического вывода (рис. 1).

Рисунок 1. База знаний в формализме семантической сети описывает происходящее в сказке

Такой подход был понятен не только математикам, но и заказчикам ИИ-систем: это ведь фактически реализация метода Шерлока Холмса с его логическими рассуждениями на базе доступных знаний о ситуации загадочного убийства, которые приводят в итоге к выявлению убийцы и всех обстоятельств криминального происшествия. Достаточно детально описать все детали конкретной предметной области и отношения между её элементами, и можно находить неявные связи между объектами, определять действующих лиц и причины их поведения.

Первая волна завышенных ожиданий принесла с собой множество теоретических исследований и практических реализаций в области систем логического ИИ, но мечта о создании «мыслящей машины», имитирующей интеллект человека, так и осталась мечтой.

МАШИННОЕ ОБУЧЕНИЕ: ТАК ДУМАЕТ ЧЕЛОВЕК?

В 90-е годы прошлого века интерес исследователей сместился на машинное обучение: этому направлению работы с данными дали старт исследования американского учёного Фрэнка Розенблатта, впервые предложившего в 1957 г. модель перцептрона как упрощённую модель приобретения знаний живыми «познающими системами».

Она получила наибольшее распространение в задачах распознавания аудио и изображений. В первую очередь потому что именно там эффективно работает механизм отделения «похожих» и «непохожих» сущностей. Классическая задача тут — выбрать фотографии с котиками из общей массы предъявленных фото, которые промаркированы с помощью двух пометок: «есть котик» или «нет котика».

В ходе обучения нейросети множество специально размеченных фотографий поступают на вход перцептрона. Это нейроны входной последовательности, над которыми совершаются математические действия с помощью специально подобранной функции активации. Её задача – обеспечить разделение всех данных на две группы: «есть котик» либо «нет котика», а потом на обученной сети рассчитать, к какой группе относится неизвестное фото (рис. 2).

В классическом варианте у перцептрона — один вспомогательный уровень. Однако уже сам Фрэнк Розенблатт изучал свойства перцептронной модели из трёх слоёв, добиваясь улучшения качества распознавания. Настоящий бум сегодняшнего дня наступил, когда разработки исследователей в области многослойных нейронных сетей (то самое глубокое обучение, Deep Learning) объединились с возможностями современной вычислительной техники, позволяющей быстро обрабатывать мегабайты и даже терабайты данных.

МНОГОСЛОЙНАЯ НЕЙРОННАЯ СЕТЬ

Рисунок 3. Схема многослойной нейронной сети

Как из рога изобилия посыпались перспективные варианты DL-сетей, показывающие отличные результаты на задачах различного типа: сверточные сети и автокодировщики, рекуррентные сети, порождающие состязательные сети, обучение с подкреплением и т. д. Реальным прорывом в практическом использовании DLстало появление в 2018 г. моделей машинного обучения, ориентированных на задачи обработки текстов на естественном языке (NLP, Natural Language Processing), в первую очередь модель глубокого обучения BERT.

Дело в том, что к распознаванию ЕЯ-текста сводится большое количество задач, реализуемых на практике в ИТ-системах: от автоматического анализа неструктурированных документов до распознавания тематики в разговоре оператора контакт-центра с клиентом и автоматического перевода. И вдруг оказалось, что нейросети в практических задачах лучше справляются с задачей распознавания текстов, чем классические семантические конструкции типа семантической сети. Например, раньше исследователи полагали, что наилучший способ осуществления машинного перевода — использование языково-независимого представления текстового содержания в виде некоторого семантической схемы, но на практике этого не получилось. «Оказалось, что предложить единый семантический формализм для всего разнообразия текстов чрезвычайно трудно», — отмечает Наталья Лукашевич, профессор кафедры теоретической и прикладной лингвистики МГУ. Но повысить качество перевода удалось за счёт использования нейронной сети, которая преобразует последовательность на входном языке в последовательность слов на другом языке с помощью некоторой внутренней обработки (чистая вычислительная математика), которая вообще не поддаётся интерпретации.

На уровне поверхностных рассуждений получается, что нейросетевые модели обошли классический ИИ в решении задач, свойственных человеческому интеллекту? Такой вывод подняли на щит маркетологи, устроившие хайп глубокого обучения такого уровня, что многие далёкие от математики люди стали всерьёз считать глубокое обучение единственным проявлением искусственного интеллекта.

МАЯТНИК КАЧНУЛСЯ В ОБРАТНУЮ СТОРОНУ

«Хотя современные модели машинного обучения и делают множество потрясающих вещей, постепенно превосходя человека во многих ранее недостижимых для компьютера областях, до «универсального чёрного ящика», который мог бы самостоятельно обучиться действовать в новой обстановке, как это делает человек, пока ещё очень, очень далеко. Несмотря на все успехи, у машинного обучения всё ещё впереди», — говорят авторы монографии «Глубокое обучение. Погружение в мир нейронных сетей» (С. Николенко, А. Кадурин, Е. Архангельская, Спб: Питер, 2019).

Иными словами, для математиков, работающих «на земле», работы непочатый край. И где в ней находит место тот самый пресловутый сильный AI? Пора признать, что это ещё одна давняя мечта человечества, которой не суждено сбыться. Системы ИИ не способны ничего самостоятельно «понимать» в том смысле, как это свойственно человеку. Они лишь моделируют решение конкретных задач, которые связаны с принятием тех или иных решений. И уже не столь важно, просматривается или нет конкретная цепочка логического вывода, если на практическом уровне механизм глубокого обучения даёт адекватный результат. Да, и семантическая сеть, если вдуматься, сама по себе ничего не «понимает». Так что в утиль надо сдать попытки имитировать человеческий интеллект в полном масштабе, согласившись с тем, что речь идёт о различных подходах к компьютерному моделированию его отдельных проявлений.

Ну а тест Тьюринга заменить более работоспособным механизмом классификации и сравнения моделей интеллектуальных систем.

При этом он не только был настроен оптимистично по поводу перспектив, но и, возможно, наслаждался ими: его друг Робин Ганди вспоминал, что когда Тьюринг читал некоторые пассажи в своей основополагающей работе «Тест Тьюринга», он «всегда улыбался, иногда хихикал». Как минимум это дает нам повод усомниться в грустном изображении Тьюринга в биографическом фильме 2014 года «Игра в имитацию».

Тьюринг повлиял на то, как мы видим ИИ — тест Тьюринга часто приводят в качестве важного порога, который должен преодолеть искусственный интеллект на пути к истинному интеллекту. Если машинный интеллект сможет обмануть человека в процессе разговора, предположил Тьюринг, это будет очень важный момент.

Кроме того, на тест Тьюринга часто ссылались в изображениях роботов и искусственной жизни в популярной культуре — из последних можно припомнить «Из машины» Алекса Гарленда. Чаще всего, эти литературные представления показывали тест Тьюринга неверно, превращая его в чистую меру того, может ли робот превзойти человека. Оригинальный тест Тьюринга предназначался не для этого, а скорее для принятия решения, можно ли посчитать, что машина думает в манере, неотличимой от человеческой, — и это, как говорил сам Тьюринг, зависит от того, какие вопросы вы задаете.

Более того, есть много других аспектов человечества, которыми пренебрегает этот тест — поэтому некоторые исследователи разрабатывают новые варианты теста Тьюринга, которым не обязательно поддерживать правдоподобный разговор.

Возьмем, к примеру, игры. Чтобы соперничать с человеческими когнитивными возможностями или превзойти их в чем-то более сложном, чем простой перебор цифр, Тьюринг предположил, что машина может начать с шахмат — игры, которая ассоциируется со стратегическим мышлением. После победы Deep Blue над чемпионом мира по шахматам Гарри Каспаровым в 1997 году, мы явно пересекли этот порог. Теперь у нас есть алгоритмы, которые чуть ли не всесильны (в долгосрочной перспективе) при игре в покер.

А как насчет чего-то более творческого и невыразимого, вроде музыки? Машины и здесь могут нас надурить. Уже существует музыкальный компьютер lamus, который производит настолько сложные работы, что они достойны внимания профессиональных музыкантов. Разработчик lamus Франциско Вико из Университета Малаги и его коллеги провели тест Тьюринга, попросив 250 субъектов — половина из которых была представлена профессиональными музыкантами — прослушать одну из композиций «ламуса» и музыку похожего стиля, написанную людьми, и решить, кто есть кто. «Произведения компьютера вызывали те же чувства и эмоции, что и написанные людьми, опрашиваемые не могли их различить, — говорит Вико. — Похожие результаты мы могли получить, подбросив монетку».

Некоторые утверждают, что компьютерная поэзия тоже прошла тест, хотя с оговоркой, мол, судьи попались не проницательные. Вдумайтесь в строку: «О, сладкий запах твой, алмазная архитектура».

Есть еще «сенсорный тест Тьюринга». Сам Тьюринг утверждал, что если мы когда-нибудь обнаружим материал, который может идеально имитировать человеческую кожу, едва ли мы будем пытаться сделать машину человечней, наращивая ей искусственное мясо. Тем не менее робот Ава в фильме «Из машины» показал, что это целесообразно, так как такая машина идеально вольется в человеческое общество.

Наша текущая мотивация немного отличается. Мы знаем, что современные протезы конечностей могут существенно уменьшать психологическое и эмоциональное воздействие, оказываемое на их носителей. Для этого, к примеру, инженер-механик Джон-Джон Кабибихан из Университета Катара и его коллеги работают над материалами, которые на вид и на ощупь неотличимы от человеческой кожи. В начале этого года он и его коллеги сообщили, что создали мягкий силиконовый полимер, который, будучи нагретым до температуры тела с помощью подкожных электронных нагревателей, напоминает реальную кожу. Ученые создали искусственную руку, обернув напечатанный на 3D-принтере резиновый скелет электрически нагретым полиметром и прикасались им к предплечьям людей, чтобы те не видели. Участники теста не смогли провести четких различий между прикосновениями искусственных и настоящих конечностей.

Аве точно понравится, но некоторые исследователи роботов считают, что существуют весьма веские этические причины оставлять зазор между людьми и роботами.

Несколько более прозаической причиной необходимости разработки новых вариаций теста Тьюринга может быть задача не обмануть человека, а просто определить возможности машины. Ученый из области информатики Стюарт Геман из Брауновского университета в Провиденсе, штат Род-Айленд, и сотрудники Университета Джона Хопкинса в Балтиморе недавно описали «визуальный тест Тьюринга» для системы компьютерного зрения, которая научилась извлекать осмысленные отношения и тезисы из сцены, как это делаем мы, а не просто идентифицировать отдельные объекты. Такая способность станет чрезвычайно важной в свете развития систем шпионажа и биометрического сканирования.

К примеру, глядя на уличную сцену, компьютер может ответить на вопросы: «Идет ли первый человек по тротуару?», «Взаимодействует ли второй человек с каким-нибудь объектом?», «Разговаривают ли человек два и человек три?».

Что касается оригинального теста Тьюринга, его будущее, вероятно, будет в Интернете. Онлайн-игроки уже иногда сомневаются в том, соперничают они с человеком или с игровым ботом — а некоторые вообще предпочитают играть с ботами. Некоторые общаются с ботами в чатах.

В прошлом году алгоритм, разработанный командой российских программистов, убедил одно из трех судей в ходе коротких онлайн-чатов, что является настоящим 13-летним украинским мальчиком Евгением Густманом. Некоторые критики могут заявить, что это сомнительное достижение, но основной вопрос остался в том, прошел ли бот тест Тьюринга, и если да, то в чем тогда его польза? Очевидно, сам Тьюринг имел в виду более высокий уровень диалога между человеком и машиной.

В общем, хотя машины уже способны на многое, до изящной реализации знаменитого теста им еще придется потрудиться.

Примерное время чтения: 4 минуты

Что такое тест Тьюринга и почему его так сложно пройти?

Впервые в истории компьютерной программе удалось пройти тест Тьюринга на «человечность» и убедить 33 % судей в том, что с ними общается не машина. Программа «Eugene Goostman» («Евгений Густман»), выдающая себя за тринадцатилетнего мальчика по имени Евгений Густман из Одессы, смогла убедить беседовавших с ней людей в том, что выдаваемые ею ответы принадлежат человеку.

Тест проходил в Лондонском королевском обществе, его проведение организовал Университет Рединга, Великобритания. Авторами программы являются российский инженер Владимир Веселов, проживающий в настоящее время в США, и украинец Евгений Демченко, который живёт сейчас в России.

Что такое тест Тьюринга?

Могут ли машины думать? В 1950 году английский математик Алан Тьюринг предложил тест, который позволил бы оценить уровень искусственного интеллекта относительно человеческого. Он был опубликован в философском журнале «Mind».

Идея проверки предполагала общение человека с другим человеком и с компьютерной программой в течение пяти минут, только в текстовом режиме. Если компьютер сможет обмануть как минимум 30 % собеседников, тест считается пройденным. Эксперты общаются одновременно с живым человеком и роботом, находясь в разных комнатах и не видя друг друга. По окончании теста каждый из них должен сказать, кто из двух его собеседников был человеком, а кто — программой.

Как «Евгений Густман» прошёл тест Тьюринга?

В субботу 7 июня 2014 года суперкомпьютер по имени Eugene попытался воссоздать интеллект тринадцатилетнего подростка — Евгения Густмана.

В тестировании, организованном Школой системной инженерии при Университете Рединга (Великобритания), участвовали пять суперкомпьютеров. Испытание представляло собой серию пятиминутных письменных диалогов.

В тесте участвовали 25 «скрытых» людей и 5 чат-ботов. Каждый из 30-ти судей провёл по пять чат-сессий, пытаясь определить реальную природу собеседника. Для сравнения, в традиционном ежегодном конкурсе программ искусственного интеллекта на премию Лёбнера* участвует всего 4 программы и 4 скрытых человека.

Впервые программа с «юным одесситом» появилась ещё в 2001 году. Однако лишь в 2012 году она показала действительно серьёзный результат, убедив 29 % судей.