Читаем Власть и прогресс онлайн бесплатно
Эти надежды на интеллект человеческого уровня, иногда называемый «искусственный интеллект общего назначения» (ИИОН), вскоре рухнули. Показательно, что из Дартмутской конференции так и не вышло ничего ценного. Ни одно из грандиозных предсказаний, сделанных исследователями ИИ, не сбылось, финансирование иссякло, и наступил застой, который впоследствии окрестили первой «зимой ИИ».
Энтузиазм возродился в начале 1980-х годов на основании достижений компьютерных технологий и некоторого (впрочем, довольно ограниченного) успеха экспертных систем, призванных давать «профессиональные» советы и рекомендации. Было разработано несколько успешных приложений, помогающих распознавать инфекционные заболевания и неизвестные молекулы. Скоро в научных кругах снова заговорили об искусственном интеллекте, способном догнать и перегнать человека, и финансирование возобновилось. Но и эти обещания остались неисполненными, и к концу 1980-х годов в области ИИ наступила вторая «зима».
Третья волна эйфории поднялась в начале 2000-х годов. Теперь она сосредоточилась на том, что иногда называли «узкий ИИ»: его целью было развить мастерство в специфических задачах, например в идентификации объекта на изображениях, переводе текстов с иностранных языков, игре в шахматы или в го. Общая цель во всех этих случаях была одна: достичь равенства с человеком, а затем и превзойти человека.
На этот раз, оставив математические и логические подходы, призванные воспроизвести человеческое познание, исследователи начали перекодировать различные человеческие задачи, превращая их в проблемы, требующие классификации или прогнозирования. Например, распознавание образа можно рассматривать как отнесение его к одной из длинного списка категорий. Таким образом, полагаясь на технологии статистики, применяемые к огромным массивам данных, ИИ сможет делать все более точные классификации. Пример такого огромного массива данных – социальные сети, в которых обмениваются сообщениями миллиарды людей.
Допустим, перед нами стоит задача распознать на картинке кошку. Прежний подход потребовал бы от машины полностью смоделировать процесс принятия решения, благодаря которому человек определяет, что перед ним кошка. Современный подход пропускает стадии моделирования и даже понимания того, как принимают решения люди. Вместо этого он использует огромный массив данных, накопленный миллиардами людей, которые видели изображения и сообщали, что узнают на них кошек. Затем создает статистическую модель для большого массива различных характеристик изображений, предсказывающую, в каких случаях человек скажет, что видит кошку. И, наконец, прикладывает эту статистическую модель к новым изображениям, чтобы спрогнозировать, увидят ли люди кошку и там.
Такой прогресс стал возможен благодаря повышению скорости компьютерных процессоров, а также новым графическим процессорам (GPU), изначально созданным для генерации графики высокого разрешения в видеоиграх; эти процессоры оказались очень удобны для обработки серьезных объемов данных. Кроме того, помог серьезный прогресс в технологиях хранения данных, снизивший стоимость хранения и обработки больших массивов информации, а также улучшение способности к быстрым масштабным вычислениям, распределенным по нескольким устройствам, в большой степени за счет усовершенствования микропроцессоров и развития облачной среды.
Столь же важен оказался и прогресс в машинном обучении, особенно «глубинное обучение» с помощью многослойных статистических моделей, таких как нейросети. В традиционном статистическом анализе исследователь, как правило, начинает с построения теории об определенных причинно-следственных связях. Простой пример такой причинно-следственной связи – гипотеза, связывающая стоимость акций на фондовой бирже США с размерами процентных ставок. Дальше исследователь естественным образом переходит к статистическому анализу, стремясь понять, соответствует ли его гипотеза имеющимся данным и позволяет ли предсказывать события. Теория рождается из человеческого знания и рассуждения, часто основывается на синтезе прошлого опыта и творческого мышления и рассматривает одновременно несколько возможных вариантов соотношения переменных. Прикладывая эту теорию к соответствующему массиву информации, исследователи сопоставляют с ней имеющиеся данные, а затем на основе своих оценок делают прогнозы. В зависимости от успеха или неудачи первой попытки дальше могут потребоваться дополнительные человеческие усилия – пересмотр теории или создание новой.
