Искусственный интеллект

Часть серии по
Машинное обучение и интеллектуальный анализ данных
Проблемы Классификация Кластеризация Регресс Обнаружение аномалий AutoML Правила ассоциации Обучение с подкреплением Структурированный прогноз Разработка функций Особенности обучения Онлайн обучение Полу-контролируемое обучение Обучение без учителя Учимся ранжировать Введение в грамматику
Обучение с учителем ( классификация  • регрессия ) Деревья решений Ансамбли Упаковка Повышение Случайный лес k -NN Линейная регрессия Наивный байесовский Искусственные нейронные сети Логистическая регрессия Перцептрон Вектор релевантности (RVM) Машина опорных векторов (SVM)
Кластеризация БЕРЕЗА ИЗЛЕЧИВАТЬ Иерархический k- означает Ожидание – максимизация (EM) DBSCAN ОПТИКА Средний сдвиг
Снижение размерности Факторный анализ CCA ICA LDA NMF PCA PGD t-SNE
Структурированный прогноз Графические модели Сеть Байеса Условное случайное поле Скрытый Марков
Обнаружение аномалий k -NN Фактор локального выброса
Искусственная нейронная сеть Автоэнкодер Когнитивные вычисления Глубокое обучение DeepDream Многослойный перцептрон RNN LSTM ГРУ ESN Ограниченная машина Больцмана GAN SOM Сверточная нейронная сеть U-Net Трансформатор Пиковая нейронная сеть Мемтранзистор Электрохимическая RAM (ECRAM)
Обучение с подкреплением Q-обучение SARSA Временная разница (TD)
Теория Компромисс смещения и дисперсии Теория вычислительного обучения Минимизация эмпирического риска Обучение Оккама PAC обучение Статистическое обучение Теория ВК
Площадки для машинного обучения NeurIPS ICML ML JMLR ArXiv: cs.LG
Глоссарий искусственного интеллекта Глоссарий искусственного интеллекта
Статьи по Теме Список наборов данных для исследований в области машинного обучения Схема машинного обучения
v т е

Искусственный интеллект ( ИИ ) - это интеллект, демонстрируемый машинами , в отличие от естественного интеллекта, проявляемого людьми и животными , который включает в себя сознание и эмоциональность. Различие между первой и второй категориями часто выявляется выбранным акронимом. «Сильный» ИИ обычно обозначается как AGI (общий искусственный интеллект), а попытки имитировать «естественный» интеллект называются ABI (искусственный биологический интеллект). Ведущие учебники по ИИ определяют эту область как исследование « интеллектуальных агентов »: любого устройства, которое воспринимает окружающую среду и предпринимает действия, которые увеличивают его шансы на успешное достижение своих целей.^{[3] В} разговорной речи термин «искусственный интеллект» часто используется для описания машин (или компьютеров), которые имитируют «когнитивные» функции, которые люди связывают с человеческим разумом , такие как «обучение» и «решение проблем». ^[4]

По мере того, как машины становятся все более способными, задачи, которые, как считается, требуют «интеллекта», часто исключаются из определения ИИ, явление, известное как эффект ИИ . ^[5] Коллизия в теореме Теслера гласит: «ИИ - это то, что еще не было сделано». ^[6] Например, оптическое распознавание символов часто исключается из вещей, которые считаются искусственным интеллектом, ^[7] став обычной технологией. ^[8] Современные возможности машины обычно классифицируются как ИИ включают в себя успешно понимание человеческой речи , ^[9] конкурировать на самом высоком уровне в стратегических игровых системах (таких как шахматы и Go), ^[10] автономно работающие автомобили , интеллектуальная маршрутизация в сетях доставки контента и моделирование военных действий . ^[11]

Искусственный интеллект был основан как академическая дисциплина в 1955 году, и с тех пор он испытал несколько волн оптимизма ^{[12] [13],} за которыми последовало разочарование и потеря финансирования (известная как « зима искусственного интеллекта »), ^{[14] [15],} за которыми последовали новые подходы, успех и возобновление финансирования. ^{[13] [16]} После того, как AlphaGo успешно победила профессионального игрока в го в 2015 году, искусственный интеллект снова привлек всеобщее внимание. ^[17] На протяжении большей части своей истории исследования ИИ были разделены на подполи, которые часто не взаимодействуют друг с другом. ^[18]Эти подполи основаны на технических соображениях, таких как конкретные цели (например, « робототехника » или « машинное обучение ») ^[19], использование определенных инструментов (« логика » или искусственные нейронные сети ) или глубокие философские различия. ^{[22] [23] [24]} Подполя также основывались на социальных факторах (определенных учреждениях или работе конкретных исследователей). ^[18]

Традиционные проблемы (или цели) исследований ИИ включают рассуждение , представление знаний , планирование , обучение , обработку естественного языка , восприятие и способность перемещать и манипулировать объектами. ^[19] Общая разведка входит в число долгосрочных целей области. ^[25] Подходы включают статистические методы , вычислительный интеллект и традиционный символический ИИ . В ИИ используется множество инструментов, включая варианты поиска и математической оптимизации , искусственные нейронные сети иметоды, основанные на статистике, вероятности и экономике . Область AI опирается на информатику , информационную инженерию , математику , психологию , лингвистику , философию и многие другие области.

Эта область была основана на предположении, что человеческий интеллект «можно так точно описать, что можно создать машину для его моделирования». ^[26] Это поднимает философские аргументы относительно разума и этики создания искусственных существ, наделенных интеллектом, подобным человеческому. Эти вопросы исследовались мифами , художественной литературой и философией с древних времен . ^[31] Некоторые люди также считают, что ИИ представляет опасность для человечества, если он не ослабевает. ^{[32] [33]} Другие считают, что ИИ, в отличие от предыдущих технологических революций, создаст риск массовой безработицы . ^[34]

В двадцать первом веке методы искусственного интеллекта пережили возрождение после одновременного развития компьютерных мощностей , больших объемов данных и теоретических знаний; и методы искусственного интеллекта стали неотъемлемой частью технологической индустрии , помогая решать многие сложные проблемы в области информатики, разработки программного обеспечения и исследования операций . ^{[35] [16]}

История

Способные к мысли искусственные существа появились как устройства для повествования в древности ^[36] и были обычным явлением в художественной литературе, например, в « Франкенштейне» Мэри Шелли или « RUR» Карла Чапека ^[37]. Эти персонажи и их судьбы подняли сегодня многие из тех же проблем. обсуждается в этике искусственного интеллекта . ^[31]

Изучение механических или «формальных» рассуждений началось с древних философов и математиков. Изучение математической логики непосредственно привело к Alan Turing «s теории вычислений , который предположил , что машина, путем перестановки символов так просто , как„0“и„1“, может имитировать любой мыслимый акт математической дедукции. Понимание того, что цифровые компьютеры могут моделировать любой процесс формального рассуждения, известно как тезис Черча-Тьюринга . ^[38] Наряду с одновременными открытиями в нейробиологии , теории информации и кибернетике, это побудило исследователей рассмотреть возможность построения электронного мозга. Тьюринг предложил изменить вопрос с того, является ли машина разумной, на «может ли машина проявлять разумное поведение или нет». ^[39] Первой работой, которая теперь широко известна как ИИ, была формальная разработка Маккаллача и Питтса 1943 года для "искусственных нейронов", завершенных по Тьюрингу . ^[40]

Область исследований искусственного интеллекта зародилась на семинаре в Дартмутском колледже в 1956 г. ^[41], где Джон Маккарти ввел термин «искусственный интеллект», чтобы отличить эту область от кибернетики и избежать влияния кибернетика Норберта Винера . ^[42] Участники Аллен Ньюэлл ( CMU ), Герберт Саймон (CMU), Джон Маккарти ( MIT ), Марвин Мински (MIT) и Артур Сэмюэл ( IBM ) стали основателями и лидерами исследований в области ИИ. ^[43]Они и их ученики создали программы, которые пресса назвала «удивительными»: ^[44] компьютеры изучали стратегии игры в шашки (ок. 1954) ^[45] (и к 1959 году, как сообщается, играли лучше, чем средний человек) ^[46], решая слова задачи по алгебре, доказательство логических теорем (« Logic Theorist» , первый запуск c. 1956) и говорение по-английски. ^[47] К середине 1960-х исследования в США в значительной степени финансировались Министерством обороны ^[48], и лаборатории были созданы по всему миру. ^[49] Основатели AI с оптимизмом смотрели в будущее: Герберт Саймонпредсказал, что «в течение двадцати лет машины будут способны выполнять любую работу, которую может выполнять человек». Марвин Мински согласился, написав: «В течение одного поколения ... проблема создания« искусственного интеллекта »будет существенно решена». ^[12]

Они не осознали сложности некоторых оставшихся задач. Прогресс замедлился, и в 1974 году в ответ на критику сэра Джеймса Лайтхилла ^[50] и продолжающееся давление Конгресса США с целью финансирования более продуктивных проектов правительства США и Великобритании прекратили исследовательские исследования в области ИИ. Следующие несколько лет позже будут названы « зимой ИИ » ^[14], период, когда получение финансирования для проектов ИИ было трудным.

В начале 1980 - х годов исследование ИИ был возрожден коммерческий успех экспертных систем , ^[51] это форма программы ИИ , который имитировал знания и аналитические навыки человеческих экспертов. К 1985 году рынок ИИ превысил миллиард долларов. В то же время компьютерный проект пятого поколения в Японии вдохновил правительства США и Великобритании на восстановление финансирования академических исследований . ^[13] Однако, начиная с краха рынка машин Лиспа в 1987 году, ИИ снова потерял репутацию, и начался второй, более продолжительный перерыв. ^[15]

Развитие очень крупномасштабной интеграции (СБИС) металл-оксид-полупроводник (МОП) в виде технологии комплементарных МОП (КМОП) транзисторов позволило разработать практическую технологию искусственных нейронных сетей (ИНС) в 1980-х годах. Публикация вехой в области было 1989 книга Analog VLSI Реализация нейронных систем по Carver А. Мид и Мохаммед Исмаил. ^[52]

В конце 1990-х и начале 21 века ИИ начал использоваться для логистики, интеллектуального анализа данных , медицинской диагностики и других областей. ^[35] Успех был обусловлен увеличением вычислительной мощности (см . Закон Мура и количество транзисторов ), большим упором на решение конкретных проблем, новыми связями между ИИ и другими областями (такими как статистика , экономика и математика ), а также приверженностью исследователей делу математические методы и научные стандарты. ^[53] Deep Blue стал первой компьютерной шахматной системой, победившей действующего чемпиона мира по шахматам Гарри Каспарова 11 мая 1997 года.^[54]

В 2011 году в опасности! викторины выставки матч, IBM «s вопросно - ответная система , Уотсон , поражение двух величайших Jeopardy! чемпионы, Брэд Раттер и Кен Дженнингс , со значительным отрывом. ^[55] Более быстрые компьютеры , алгоритмические улучшения и доступ к большим объемам данных позволили добиться прогресса в области машинного обучения и восприятия; данные голодный глубокие обучения методы начали доминировать точность тесты примерно в 2012 году . ^[56] Kinect, который обеспечивает трехмерный интерфейс движения тела для Xbox 360 и Xbox One , использует алгоритмы, возникшие в результате длительных исследований ИИ ^[57], как и интеллектуальные персональные помощники в смартфонах . ^[58] В марте 2016 года AlphaGo выиграла 4 из 5 игр в го в матче с чемпионом по го Ли Седолом , став первой компьютерной системой для игры в го, которая обыграла профессионального игрока в го без препятствий . ^{[10] [59]} В 2017 г. Будущее Go Summit , AlphaGo выиграл матч три игрыс Ke Jie , ^[60] , который в то время постоянно держал в мире № 1 рейтинг в течение двух лет. ^{[61] [62]} Это ознаменовало собой завершение важной вехи в развитии искусственного интеллекта, поскольку го - относительно сложная игра, более сложная, чем шахматы.

По словам Джека Кларка из Bloomberg , 2015 год стал знаковым для искусственного интеллекта: количество программных проектов, использующих ИИ в Google, увеличилось с «спорадического использования» в 2012 году до более чем 2700 проектов. Кларк также представляет фактические данные, указывающие на улучшения ИИ с 2012 года, поддерживаемые более низким уровнем ошибок в задачах обработки изображений. ^[63] Он связывает это с увеличением числа доступных нейронных сетей из-за роста инфраструктуры облачных вычислений и увеличения исследовательских инструментов и наборов данных. ^[16]Другие приведенные примеры включают разработку Microsoft системы Skype, которая может автоматически переводить с одного языка на другой, и системы Facebook, которая может описывать изображения слепым людям. ^[63] В опросе 2017 года каждая пятая компания сообщила, что «включила ИИ в некоторые предложения или процессы». ^{[64] [65]} Примерно в 2016 году Китай значительно увеличил объем государственного финансирования; Учитывая большой объем данных и быстро растущие результаты исследований, некоторые наблюдатели полагают, что он может стать «сверхдержавой ИИ». ^{[66] [67]} Тем не менее, было признано, что сообщения об искусственном интеллекте имели тенденцию быть преувеличенными. ^{[68] [69] [70]}

Основы

Информатика определяет исследования ИИ как изучение « интеллектуальных агентов »: любого устройства, которое воспринимает окружающую среду и предпринимает действия, которые увеличивают его шансы на успешное достижение своих целей. ^[3] Более подробное определение характеризует ИИ как «способность системы правильно интерпретировать внешние данные, извлекать уроки из таких данных и использовать полученные знания для достижения конкретных целей и задач посредством гибкой адаптации». ^[71]

Типичный ИИ анализирует окружающую среду и предпринимает действия, которые увеличивают его шансы на успех. ^[3] Предполагаемая функция полезности (или цель) ИИ может быть простой («1, если ИИ выигрывает игру в го , 0 в противном случае») или сложной («Выполнять действия, математически похожие на те, которые были успешными в прошлом»). Цели могут быть явно определены или вызваны. Если ИИ запрограммирован на « обучение с подкреплением », цели могут быть косвенно вызваны поощрением за одни типы поведения или наказанием других. ^[a] Альтернативно, эволюционная система может побуждать к достижению целей, используя " функцию приспособленности"«мутировать и предпочтительно копировать системы ИИ с высокими показателями, аналогично тому, как животные эволюционировали, чтобы врожденно стремиться к определенным целям, таким как поиск пищи. ^[72] Некоторые системы ИИ, такие как« ближайший сосед », вместо разумного по аналогии, не являются обычно задаются цели, за исключением той степени, в которой цели неявно присутствуют в их обучающих данных. ^[73] Такие системы все еще можно тестировать, если нецелевая система оформлена как система, «целью» которой является успешное выполнение своей узкой задачи классификации. ^[74]

ИИ часто вращается вокруг использования алгоритмов . Алгоритм - это набор однозначных инструкций, которые может выполнять механический компьютер. ^[b] Сложный алгоритм часто строится поверх других, более простых алгоритмов. Простым примером алгоритма является следующий (оптимальный для первого игрока) рецепт игры в крестики-нолики : ^[75]

1. Если у кого-то есть «угроза» (то есть две подряд), возьмите оставшийся квадрат. Иначе,
2. если ход «разветвляется», создавая сразу две угрозы, сыграйте этот ход. Иначе,
3. возьмите центральную площадь, если она свободна. Иначе,
4. если ваш противник играл в углу, возьмите противоположный угол. Иначе,
5. возьмите пустой угол, если он существует. Иначе,
6. возьмите любой пустой квадрат.

Многие алгоритмы ИИ способны учиться на данных; они могут совершенствоваться, изучая новую эвристику (стратегии или «практические правила», которые хорошо работали в прошлом), или могут сами писать другие алгоритмы. Некоторые из «учащихся», описанных ниже, включая байесовские сети, деревья решений и ближайшего соседа, теоретически могут (учитывая бесконечные данные, время и память) научиться приближать любую функцию , включая то, какая комбинация математических функций лучше всего описывает Мир. ^{[ необходима цитата ]}Таким образом, эти учащиеся могут получить все возможные знания, рассматривая все возможные гипотезы и сопоставляя их с данными. На практике редко удается рассмотреть все возможности из-за явления « комбинаторного взрыва », когда время, необходимое для решения проблемы, растет экспоненциально. Большая часть исследований ИИ включает в себя выяснение того, как идентифицировать и избегать рассмотрения широкого спектра возможностей, которые вряд ли будут полезны. ^{[76] [77]} Например, при просмотре карты и поиске кратчайшего автомобильного маршрута от Денвера до Нью-Йорка на востоке, в большинстве случаев можно не смотреть на любой путь через Сан-Франциско.или другие районы далеко на западе; таким образом, ИИ, владеющий алгоритмом поиска пути, подобным A *, может избежать комбинаторного взрыва, который произошел бы, если бы каждый возможный маршрут был бы тщательно продуман. ^[78]

Самым ранним (и наиболее простым для понимания) подходом к ИИ был символизм (такой как формальная логика): «Если у здорового взрослого человека жар, то он, возможно, болен гриппом ». Второй, более общий подход - это байесовский вывод : «Если у текущего пациента лихорадка, скорректируйте вероятность того, что у него грипп, таким-то образом». Третий основной подход, чрезвычайно популярный в рутинных бизнес-приложениях ИИ, - это аналогизаторы, такие как SVM и ближайший сосед.: «После изучения записей известных прошлых пациентов, у которых температура, симптомы, возраст и другие факторы в основном совпадают с текущим пациентом, оказалось, что X% этих пациентов болеют гриппом». Четвертый подход сложнее интуитивно понять, но он основан на том, как работают механизмы мозга: подход искусственной нейронной сети использует искусственные нейроны.«который может учиться, сравнивая себя с желаемым результатом и изменяя силу связей между своими внутренними нейронами, чтобы« укрепить »связи, которые казались полезными. Эти четыре основных подхода могут пересекаться друг с другом и с эволюционными системами; например, нейронные сети могут научиться делать выводы, обобщать и проводить аналогии. Некоторые системы неявно или явно используют несколько из этих подходов, наряду со многими другими алгоритмами ИИ и не-ИИ; лучший подход часто отличается в зависимости от проблемы. ^{[79 ] [80]}

Алгоритмы обучения работают на том основании, что стратегии, алгоритмы и выводы, которые хорошо работали в прошлом, вероятно, продолжат хорошо работать и в будущем. Эти выводы могут быть очевидными, например, «поскольку солнце вставало каждое утро в течение последних 10 000 дней, оно, вероятно, взойдет и завтра утром». Они могут иметь нюансы, например, «X% семейств имеют географически отдельные виды с цветовыми вариантами, поэтому существует Y% вероятности, что существуют неоткрытые черные лебеди ». Ученики также работают на основе « бритвы Оккама».": Самая простая теория, объясняющая данные, наиболее вероятна. Следовательно, согласно принципу бритвы Оккама, ученик должен быть спроектирован таким образом, чтобы он предпочитал более простые теории сложным теориям, за исключением случаев, когда сложная теория доказана значительно лучше.

Использование плохой, слишком сложной теории, приспособленной для соответствия всем прошлым обучающим данным, называется переобучением . Многие системы пытаются уменьшить переобучение, вознаграждая теорию в соответствии с тем, насколько хорошо она соответствует данным, но наказывая теорию в соответствии с ее сложностью. ^[81] Помимо классической переобучения, учащиеся также могут разочаровать, «усвоив неправильный урок». Игрушечный пример: классификатор изображений, обученный только изображениям коричневых лошадей и черных кошек, может сделать вывод, что все коричневые пятна, скорее всего, принадлежат лошадям. ^[82]Пример из реальной жизни состоит в том, что, в отличие от людей, современные классификаторы изображений часто не выносят суждений в первую очередь на основании пространственных отношений между компонентами изображения, и они изучают отношения между пикселями, которые люди не замечают, но которые все же коррелируют с изображениями определенные типы реальных объектов. Изменение этих шаблонов на легитимном изображении может привести к появлению «состязательных» изображений, которые система неправильно классифицирует. ^{[c] [83] [84]}

По сравнению с людьми существующий ИИ лишен некоторых черт человеческого « здравого смысла »; в частности, у людей есть мощные механизмы для рассуждений о « наивной физике », таких как пространство, время и физические взаимодействия. Это позволяет даже маленьким детям легко делать выводы типа «Если я скатываю эту ручку со стола, она упадет на пол». У людей также есть мощный механизм « народной психологии », который помогает им интерпретировать предложения на естественном языке, такие как «члены городского совета отказали демонстрантам в разрешении, потому что они выступали за насилие» (общий ИИ с трудом определяет, защищают ли те, кто якобы насилие - члены совета или демонстранты ^{[85] [86] [87]}). Это отсутствие «общих знаний» означает, что ИИ часто совершает ошибки, отличные от ошибок людей, и это может показаться непонятным. Например, существующие беспилотные автомобили не могут рассуждать о местонахождении или намерениях пешеходов точно так же, как это делают люди, и вместо этого должны использовать нечеловеческие способы рассуждений, чтобы избежать аварий. ^{[88] [89] [90]}

Вызовы

Когнитивные возможности современных архитектур очень ограничены, они используют только упрощенную версию того, на что действительно способен интеллект. Например, человеческий разум придумал невероятные способы рассуждений и логические объяснения различных событий в жизни. То, что в противном случае было бы простым, может быть сложно решить с помощью вычислений, а не с помощью человеческого разума. Это порождает два класса моделей: структуралистские и функционалистские. Структурные модели стремятся имитировать основные интеллектуальные операции разума, такие как рассуждения и логика. Функциональная модель относится к коррелирующим данным с их вычисленным аналогом. ^[91]

Общая цель исследования искусственного интеллекта - создать технологию, которая позволяет компьютерам и машинам функционировать разумно. Общая проблема моделирования (или создания) интеллекта была разбита на подзадачи. Они состоят из определенных черт или способностей, которые исследователи ожидают от интеллектуальной системы. Наибольшее внимание привлекли характеристики, описанные ниже. ^[19]

Рассуждение, решение проблем

Ранние исследователи разработали алгоритмы, имитирующие пошаговые рассуждения, которые люди используют при решении головоломок или логических выводах. ^[92] К концу 1980-х и 1990-х гг. В исследованиях ИИ были разработаны методы работы с неопределенной или неполной информацией с использованием концепций вероятности и экономики . ^[93]

Этих алгоритмов оказалось недостаточно для решения больших задач рассуждений, потому что они испытали «комбинаторный взрыв»: они становились экспоненциально медленнее по мере роста проблем. ^[76] Даже люди редко используют пошаговые выводы, которые могли смоделировать ранние исследования ИИ. Они решают большинство своих проблем, используя быстрые интуитивные суждения. ^[94]

Представление знаний

Представление знаний ^[95] и инженерия знаний ^[96] занимают центральное место в классических исследованиях ИИ. Некоторые «экспертные системы» пытаются собрать явные знания, которыми обладают эксперты в какой-то узкой области. Кроме того, некоторые проекты пытаются собрать «здравые знания», известные обычному человеку, в базу данных, содержащую обширные знания о мире. Среди вещей, которые может содержать исчерпывающая база здравого смысла, следующие: объекты, свойства, категории и отношения между объектами; ^[97] ситуации, события, состояния и время; ^[98] причины и следствия; ^[99] знание о знаниях (то, что мы знаем о том, что знают другие люди); ^[100]и многие другие, менее изученные области. Представление «того, что существует» - это онтология : набор объектов, отношений, концепций и свойств, формально описанных таким образом, чтобы программные агенты могли их интерпретировать. Их семантика фиксируется в виде концепций логики описания , ролей и индивидов и обычно реализуется как классы, свойства и индивиды на языке веб-онтологий . ^[101] Наиболее общие онтологии называются верхними онтологиями , которые пытаются обеспечить основу для всех других знаний ^[102] , выступая в качестве посредников между онтологиями предметной области.которые охватывают конкретные знания о конкретной области знаний (сфере интересов или проблемной области). Такие формальные представления знаний могут использоваться для индексации и поиска на основе содержимого, ^[103] интерпретации сцены, ^[104] поддержки клинических решений, ^[105] открытия знаний (извлечение "интересных" и действенных выводов из больших баз данных), ^[106] и другие области. ^[107]

К наиболее сложным проблемам представления знаний относятся:

Обоснование дефолта и проблема квалификации

Многие из вещей, которые люди знают, принимают форму «рабочих предположений». Например, если в разговоре появляется птица, люди обычно представляют себе животное размером с кулак, которое поет и летает. Но все это не относится ко всем птицам. Джон Маккарти определил эту проблему в 1969 году ^[108] как проблему квалификации: для любого правила здравого смысла, которое исследователи искусственного интеллекта хотят представить, как правило, существует огромное количество исключений. Практически нет ничего просто истинного или ложного в том смысле, который требует абстрактная логика. В рамках исследования искусственного интеллекта было изучено несколько решений этой проблемы. ^[109]

Широта здравого смысла

Число элементарных фактов, которые знает средний человек, очень велико. Исследовательские проекты, которые пытаются построить полную базу знаний здравого смысла (например, Cyc ), требуют огромного количества кропотливой онтологической инженерии - они должны строиться вручную, по одной сложной концепции за раз. ^[110]

Подсимволическая форма некоторого здравого смысла

Многое из того, что люди знают, не представлено в виде «фактов» или «утверждений», которые они могли бы выразить устно. Например, шахматный мастер будет избегать определенной шахматной позиции, потому что она «чувствует себя слишком открытой» ^[111], или искусствовед может взглянуть на статую и понять, что это подделка. ^[112] Это бессознательные и субсимвольные интуиции или тенденции человеческого мозга. ^[113] Подобное знание информирует, поддерживает и обеспечивает контекст для символического, сознательного знания. Как и в случае со связанной проблемой субсимволических рассуждений, есть надежда, что локальный ИИ , вычислительный интеллект или статистический ИИ предоставят способы представления этих знаний. ^[113]

Планирование

Интеллектуальные агенты должны уметь ставить цели и достигать их. ^[114] Им нужен способ визуализировать будущее - представление о состоянии мира и уметь делать прогнозы о том, как их действия изменят его, - и уметь делать выбор, который максимизирует полезность (или «ценность») доступных вариантов. ^[115]

В классических задачах планирования агент может предполагать, что это единственная система, действующая в мире, позволяющая ему быть уверенным в последствиях своих действий. ^[116] Однако, если агент - не единственный действующий субъект, тогда требуется, чтобы агент мог рассуждать в условиях неопределенности. Для этого требуется агент, который может не только оценивать свое окружение и делать прогнозы, но также оценивать свои прогнозы и адаптироваться на основе своей оценки. ^[117]

Многоагентное планирование использует сотрудничество и конкуренцию многих агентов для достижения поставленной цели. Эмерджентное поведение, подобное этому, используется эволюционными алгоритмами и интеллектом роя . ^[118]

Учусь

Машинное обучение (ML), фундаментальная концепция исследований искусственного интеллекта с момента зарождения этой области, ^[d] - это изучение компьютерных алгоритмов, которые автоматически улучшаются благодаря опыту. ^{[e] [121]}

Обучение без учителя - это способность находить закономерности в потоке входных данных, не требуя от человека предварительной маркировки входных данных. Обучение с учителем включает в себя как классификацию, так и числовую регрессию , что требует, чтобы человек сначала пометил входные данные. Классификация используется для определения того, к какой категории принадлежит что-либо, и происходит после того, как программа видит несколько примеров вещей из нескольких категорий. Регрессия - это попытка создать функцию, которая описывает взаимосвязь между входами и выходами и предсказывает, как выходы должны изменяться при изменении входов. ^[121]И классификаторы, и учащиеся регрессии могут рассматриваться как «аппроксиматоры функций», пытающиеся изучить неизвестную (возможно, неявную) функцию; например, классификатор спама можно рассматривать как обучающую функцию, которая преобразует текст электронного письма в одну из двух категорий: «спам» или «не спам». Теория вычислительного обучения может оценивать учащихся по вычислительной сложности , по сложности выборки (сколько данных требуется) или по другим понятиям оптимизации . ^[122] В обучении с подкреплением ^[123] агент вознаграждается за хорошие ответы и наказывается за плохие. Агент использует эту последовательность вознаграждений и наказаний, чтобы сформировать стратегию действий в своем проблемном пространстве.

Обработка естественного языка

Обработка естественного языка ^[124] (NLP) позволяет машинам читать и понимать человеческий язык. Достаточно мощная система обработки естественного языка позволила бы создавать пользовательские интерфейсы на естественном языке и получать знания непосредственно из источников, написанных людьми, таких как тексты новостной ленты. Некоторые простые приложения обработки естественного языка включают поиск информации , интеллектуальный анализ текста , ответы на вопросы ^[125] и машинный перевод . ^[126]Многие современные подходы используют частоту совпадения слов для построения синтаксических представлений текста. Стратегии «определения ключевых слов» для поиска популярны и масштабируемы, но неуместны; поисковый запрос по запросу «собака» может соответствовать только документам со словом «собака» и пропускать документ со словом «пудель». Стратегии «лексической близости» используют вхождение таких слов, как «случайность», для оценки тональности документа. Современные статистические подходы НЛП могут сочетать все эти стратегии, а также другие, и часто обеспечивают приемлемую точность на уровне страницы или абзаца. Помимо семантического НЛП, конечная цель «повествовательного» НЛП - воплотить полное понимание здравого смысла. ^[127] К 2019 году , трансформаторархитектуры глубокого обучения могут генерировать связный текст. ^[128]

Восприятие

Машинное восприятие ^[129] - это способность использовать входные данные от датчиков (таких как камеры (видимый спектр или инфракрасный), микрофоны, беспроводные сигналы, а также активные лидары , гидролокаторы, радары и тактильные датчики ) для определения аспектов мира. Приложения включают распознавание речи , ^[130] распознавание лиц и распознавание объектов . ^[131] Компьютерное зрениеэто способность анализировать визуальный ввод. Такой ввод обычно неоднозначен; гигантский пешеход высотой пятьдесят метров далеко может воспроизводить те же пиксели, что и ближайший пешеход нормального размера, требуя, чтобы ИИ оценивал относительную вероятность и разумность различных интерпретаций, например, используя свою «объектную модель» для оценки этого пятидесятиметровых пешеходов не бывает. ^[132]

Движение и манипуляции

ИИ широко используется в робототехнике. ^[133] Усовершенствованные роботы-манипуляторы и другие промышленные роботы , широко используемые на современных предприятиях, могут на собственном опыте научиться эффективно двигаться, несмотря на наличие трения и проскальзывания шестерен. ^[134] Современный мобильный робот в небольшой, статичной и видимой среде может легко определить свое местоположение и нанести на карту свое окружение; однако динамическая среда, такая как (в эндоскопии ) внутренняя часть дышащего тела пациента, представляет большую проблему. Планирование движенияэто процесс разбиения двигательной задачи на «примитивы», такие как отдельные совместные движения. Такое движение часто подразумевает податливое движение, процесс, при котором движение требует поддержания физического контакта с объектом. ^{[135] [136] [137]} Парадокс Моравека обобщает, что низкоуровневые сенсомоторные навыки, которые люди воспринимают как должное, нелегко запрограммировать в роботе; парадокс назван в честь Ганса Моравека , заявившего в 1988 г., что «сравнительно легко заставить компьютеры показывать результаты на уровне взрослых в тестах интеллекта или игре в шашки, и трудно или невозможно дать им навыки годовалого ребенка, когда он приходит к восприятию и подвижности ». ^{[138] [139]}Это связано с тем, что, в отличие от шашек, физическая ловкость была прямой мишенью естественного отбора на протяжении миллионов лет. ^[140]

Социальный интеллект

Парадокс Моравека можно распространить на многие формы социального интеллекта. ^{[142] [143]} Распределенная мультиагентная координация автономных транспортных средств остается сложной проблемой. ^[144] Эффективные вычисления - это междисциплинарный зонтик, включающий системы, которые распознают, интерпретируют, обрабатывают или моделируют человеческие аффекты . ^{[145] [146] [147]} Умеренные успехи, связанные с аффективными вычислениями, включают текстовый анализ тональности и, в последнее время, мультимодальный анализ эмоций (см. Мультимодальный анализ настроений ), в котором ИИ классифицирует аффекты, отображаемые записанным на видео субъектом. ^[148]

В конечном итоге социальные навыки и понимание человеческих эмоций и теории игр будут ценными для социального агента. Способность предсказывать действия других, понимая их мотивы и эмоциональное состояние, позволит агенту принимать более правильные решения. Некоторые компьютерные системы имитируют человеческие эмоции и выражения, чтобы казаться более чувствительными к эмоциональной динамике человеческого взаимодействия или иным образом для облегчения взаимодействия человека с компьютером . ^[149] Точно так же некоторые виртуальные помощники запрограммированы разговаривать или даже шутить; это имеет тенденцию давать наивным пользователям нереалистичное представление о том, насколько разумны существующие компьютерные агенты. ^[150]

Общий интеллект

Исторически сложилось так, что такие проекты, как база знаний Cyc (1984–) и масштабная японская инициатива компьютерных систем пятого поколения (1982–1992), пытались охватить широту человеческого познания. Эти ранние проекты не смогли избежать ограничений неколичественных моделей символической логики и, оглядываясь назад, сильно недооценили сложность междоменного ИИ. В настоящее время большинство современных исследователей ИИ вместо этого работают над управляемыми «узкими» приложениями ИИ (такими как медицинская диагностика или автомобильная навигация). ^[151] Многие исследователи предсказывают, что такая «узкая работа ИИ» в различных отдельных областях в конечном итоге будет включена в машину с общим искусственным интеллектом(AGI), сочетающий в себе большинство узких навыков, упомянутых в этой статье, и в какой-то момент даже превосходящий человеческие способности в большинстве или во всех этих областях. ^{[25] [152]} Многие достижения имеют общее междоменное значение. Одним из ярких примеров является то, что DeepMind в 2010-х годах разработал «обобщенный искусственный интеллект», который мог самостоятельно изучать множество разнообразных игр Atari , а позже разработал вариант системы, который преуспел в последовательном обучении . ^{[153] [154] [155]} Помимо трансферного обучения , ^[156]гипотетические прорывы в области AGI могут включать в себя разработку рефлексивных архитектур, которые могут участвовать в мета-рассуждениях, основанных на теории принятия решений, и выяснении того, как «извлечь» всеобъемлющую базу знаний из всей неструктурированной сети . ^[9] Некоторые утверждают, что какой-то (пока еще не открытый) концептуально простой, но математически сложный «главный алгоритм» может привести к AGI. ^[157] Наконец, несколько «эмерджентных» подходов очень внимательно относятся к моделированию человеческого интеллекта и полагают, что антропоморфные особенности, такие как искусственный мозг или моделирование развития ребенка, могут когда-нибудь достичь критической точки, когда появится общий интеллект. ^[158][159]

Многие проблемы, описанные в этой статье, могут также потребовать общего интеллекта, если машины должны решать проблемы так же хорошо, как люди. Например, даже конкретные простые задачи, такие как машинный перевод , требуют, чтобы машина читала и записывала на обоих языках ( НЛП ), следовала аргументам автора ( причине ), знала, о чем идет речь ( знания ), и точно воспроизводила оригинал автора. намерение ( социальный интеллект ). Такая задача, как машинный перевод, считается « полной ИИ », потому что все эти проблемы необходимо решать одновременно, чтобы достичь производительности машины на уровне человека.

Подходы

Никакая установленная объединяющая теория или парадигма не руководят исследованиями ИИ. Исследователи расходятся во мнениях по многим вопросам. ^[f] Вот некоторые из наиболее давних вопросов, которые остались без ответа: должен ли искусственный интеллект имитировать естественный интеллект, изучая психологию или нейробиологию ? Или биология человека так же не имеет отношения к исследованиям искусственного интеллекта, как биология птиц для авиационной техники ? ^[22] Можно ли описать разумное поведение, используя простые элегантные принципы (такие как логика или оптимизация )? Или обязательно требует решения большого количества не связанных между собой проблем? ^[23]

Кибернетика и моделирование мозга

В 1940-х и 1950-х годах ряд исследователей исследовали связь между нейробиологией , теорией информации и кибернетикой . Некоторые из них построены машины , которые используются электронные сети проявлять элементарную интеллект, такие как У. Грей Уолтер «s черепах и Johns Hopkins Beast . Многие из этих исследователей собрались на собрания Телеологического общества в Принстонском университете и Клуба отношений в Англии. ^[161] К 1960 году от этого подхода в значительной степени отказались, хотя его элементы были возрождены в 1980-х годах.

Символический

Когда в середине 1950-х годов стал возможен доступ к цифровым компьютерам, исследования искусственного интеллекта начали изучать возможность того, что человеческий интеллект можно свести к манипуляциям с символами. Исследования проводились в трех учреждениях: Университете Карнеги-Меллона , Стэнфорде и Массачусетском технологическом институте , и, как описано ниже, каждый разработал свой собственный стиль исследования. Джон Хогеланд назвал эти символические подходы к ИИ «старомодным добрым ИИ» или « GOFAI ». ^[162] В течение 1960-х годов символические подходы достигли большого успеха в моделировании высокоуровневого «мышления» в небольших демонстрационных программах. Подходы, основанные на кибернетике или искусственных нейронных сетяхбыли заброшены или отодвинуты на второй план. ^[g] Исследователи в 1960-х и 1970-х годах были убеждены, что символические подходы в конечном итоге позволят создать машину с общим искусственным интеллектом, и считали это целью своей области.

Когнитивное моделирование

Экономист Герберт Саймон и Аллен Ньюэлл изучили человеческие навыки решения проблем и попытались формализовать их, и их работа заложила основы области искусственного интеллекта, а также когнитивной науки , исследований операций и науки управления . Их исследовательская группа использовала результаты психологических экспериментов для разработки программ, имитирующих методы, которые люди использовали для решения проблем. Эта традиция, основанная на университете Карнеги-Меллона , в конечном итоге привела к развитию архитектуры Soar в середине 1980-х годов. ^{[163] [164]}

На основе логики

В отличие от Саймона и Ньюэлла, Джон Маккарти считал, что машинам не нужно моделировать человеческое мышление, а вместо этого следует пытаться найти суть абстрактного мышления и решения проблем, независимо от того, используют ли люди одни и те же алгоритмы. ^[22] Его лаборатория в Стэнфорде ( ПАРУС ) сосредоточилась на использовании формальной логики для решения широкого спектра задач, включая представление знаний , планирование и обучение . ^[165] Логика также была в центре внимания работы в Эдинбургском университете и других странах Европы, что привело к разработке языка программирования Prolog.и наука о логическом программировании . ^[166]

Антилогичный или неряшливый

Исследователи из Массачусетского технологического института (такие как Марвин Мински и Сеймур Паперт ) ^[167] обнаружили, что решение сложных проблем со зрением и обработкой естественного языка требует специальных решений - они утверждали, что никакой простой и общий принцип (например, логика ) не сможет охватить все аспекты интеллектуального развития. поведение. Роджер Шенк охарактеризовал их «анти-логические» подходы как « неряшливые » (в отличие от « аккуратных » парадигм в CMU и Стэнфорде). ^[23] базы знаний здравого смысла (такие как Дуга Ленат «ы Cyc) являются примером «неряшливого» ИИ, поскольку они должны создаваться вручную, по одной сложной концепции за раз. ^[168]

Основанный на знаниях

Когда примерно в 1970 году стали доступны компьютеры с большой памятью, исследователи всех трех традиций начали встраивать знания в приложения ИИ. ^[169] Эта «революция знаний» привела к разработке и развертыванию экспертных систем (представленных Эдвардом Фейгенбаумом ), первой действительно успешной формы программного обеспечения ИИ. ^[51] Ключевым компонентом системной архитектуры для всех экспертных систем является база знаний, в которой хранятся факты и правила, иллюстрирующие ИИ. ^[170] Революция в области знаний также была вызвана осознанием того, что многие простые приложения ИИ потребуют огромных объемов знаний.

Субсимволический

К 1980-м годам казалось, что прогресс в области символического ИИ остановился, и многие считали, что символические системы никогда не смогут имитировать все процессы человеческого познания, особенно восприятие , робототехнику, обучение и распознавание образов . Ряд исследователей начали изучать «субсимвольные» подходы к конкретным проблемам ИИ. ^[24] Субсимвольные методы позволяют приблизиться к интеллекту без конкретных репрезентаций знаний.

Воплощенный интеллект

Это включает воплощенный , ситуативный , основанный на поведении и новый ИИ . Исследователи из смежной области робототехники, такие как Родни Брукс , отвергли символический ИИ и сосредоточились на основных инженерных проблемах, которые позволили бы роботам двигаться и выживать. ^[171] Их работа возродила несимволическую точку зрения первых исследователей кибернетики 1950-х годов и вернула использование теории управления в ИИ. Это совпало с развитием тезиса о воплощенном разуме в смежной области когнитивной науки.: идея о том, что аспекты тела (такие как движение, восприятие и визуализация) необходимы для более высокого интеллекта.

В рамках развивающей робототехники разрабатываются подходы к развивающему обучению, чтобы позволить роботам накапливать репертуар новых навыков посредством автономного самоисследования, социального взаимодействия с учителями-людьми и использования механизмов руководства (активное обучение, созревание, моторная синергия и т. Д.). ^{[172] [173] [174] [175]}

Вычислительный интеллект и мягкие вычисления

Интерес к нейронным сетям и « коннекционизму » возродил Дэвид Румелхарт и другие в середине 1980-х годов. ^[176] Искусственные нейронные сети являются примером мягких вычислений - они являются решениями проблем, которые не могут быть решены с полной логической достоверностью и для которых часто достаточно приблизительного решения. Другие подходы мягких вычислений к ИИ включают нечеткие системы , теорию систем Грея , эволюционные вычисления и многие статистические инструменты. Применение мягких вычислений в искусственном интеллекте коллективно изучается развивающейся дисциплиной вычислительного интеллекта.. ^[177]

Статистический

Многие традиционные GOFAI увязли в специальных исправлениях для символических вычислений, которые работали на их собственных игрушечных моделях, но не смогли обобщить их на реальные результаты. Однако примерно в 1990-х годах исследователи искусственного интеллекта использовали сложные математические инструменты, такие как скрытые марковские модели (HMM), теорию информации и нормативную байесовскую теорию принятия решений, для сравнения или объединения конкурирующих архитектур. Общий математический язык позволил на высоком уровне сотрудничать с более известными областями (такими как математика , экономика или исследования операций ). ^[час]По сравнению с GOFAI, новые методы «статистического обучения», такие как HMM и нейронные сети, получали более высокий уровень точности во многих практических областях, таких как интеллектуальный анализ данных , без необходимости получения семантического понимания наборов данных. Рост успеха с реальными данными привел к усилению акцента на сравнении различных подходов с общими тестовыми данными, чтобы увидеть, какой подход работает лучше всего в более широком контексте, чем тот, который предоставляется идиосинкразическими игрушечными моделями; Исследования ИИ становились все более научными . В настоящее время результаты экспериментов часто строго поддаются измерению, а иногда (с трудом) воспроизводятся. ^{[53] [178]}Различные методы статистического обучения имеют разные ограничения; например, базовая HMM не может моделировать бесконечное количество возможных комбинаций естественного языка. ^[179] Критики отмечают, что переход от GOFAI к статистическому обучению часто также является отходом от объяснимого ИИ . В исследованиях AGI некоторые ученые предостерегают от чрезмерной зависимости от статистического обучения и утверждают, что продолжение исследований GOFAI по-прежнему будет необходимо для достижения общего интеллекта. ^{[180] [181]}

Интеграция подходов

Парадигма интеллектуального агента

Интеллектуальный агент представляет собой систему , которая воспринимает свою окружающую среду и предпринимает действия , которые максимизируют свои шансы на успех. Простейшие интеллектуальные агенты - это программы, решающие определенные задачи. Более сложные агенты включают людей и человеческие организации (например, фирмы ). Парадигма позволяет исследователям напрямую сравнивать или даже комбинировать различные подходы к изолированным проблемам, задавая вопрос, какой агент лучше всего максимизирует данную «целевую функцию». Агент, который решает конкретную проблему, может использовать любой подход, который работает - некоторые агенты являются символическими и логическими, некоторые - субсимвольными искусственными нейронными сетями, а другие могут использовать новые подходы. Парадигма также дает исследователям общий язык для общения с другими областями, такими кактеория принятия решений и экономика, которые также используют концепции абстрактных агентов. Создание полного агента требует от исследователей решения реальных проблем интеграции; например, поскольку сенсорные системы дают неопределенную информацию об окружающей среде, системы планирования должны уметь работать в условиях неопределенности. Парадигма интеллектуальных агентов получила широкое распространение в 1990-х годах. ^[182]

Агентные архитектуры и когнитивные архитектуры

Исследователи разработали системы для построения интеллектуальных систем из взаимодействующих интеллектуальных агентов в многоагентной системе . ^[183] система иерархического управления обеспечивает мост между суб-символическим ИИ на самых низких, реактивных уровнях и традиционный символический ИИ на самом высоком уровне, где смягченные временные ограничения позволяют моделирование планирования и миру. ^[184] Некоторые когнитивные архитектуры созданы специально для решения узкой проблемы; другие, такие как Soar , предназначены для имитации человеческого познания и обеспечения понимания общего интеллекта. Современные расширения Soar представляют собой гибридные интеллектуальные системы, которые включают как символические, так и субсимвольные компоненты.^{[91] [185]}

Инструменты

Приложения

AI актуален для любой интеллектуальной задачи. ^[186] Современные методы искусственного интеллекта широко распространены ^[187], и их слишком много, чтобы перечислять их здесь. Часто, когда техника становится популярной, ее больше не считают искусственным интеллектом; это явление описывается как эффект ИИ . ^[188]

Яркие примеры ИИ включают автономные транспортные средства (например, дроны и автомобили с автоматическим управлением ), медицинскую диагностику, создание произведений искусства (например, стихов), доказательство математических теорем, игры (например, шахматы или го), поисковые системы (например, Google Search ), онлайн-помощники (такие как Siri ), распознавание изображений на фотографиях, фильтрация спама, прогнозирование задержки рейсов, ^[189] прогнозирование судебных решений ^[190], таргетинг интернет-рекламы, ^{[186] [191] [192]} и энергетика хранилище ^[193]

Когда сайты социальных сетей превзошли телевидение в качестве источника новостей для молодежи, а новостные организации все больше полагаются на платформы социальных сетей для распространения, ^[194] крупные издатели теперь используют технологию искусственного интеллекта (ИИ) для более эффективной публикации историй и создания большего количества публикаций. трафик. ^[195]

ИИ также может создавать Deepfakes , технологию, изменяющую контент. ZDNet сообщает: «Это представляет собой нечто, чего на самом деле не было». Хотя 88% американцев считают, что Deepfakes может причинить больше вреда, чем пользы, только 47% из них считают, что они могут стать целью. Бум года выборов также открывает общественный дискурс угрозам видео фальсифицированных политических СМИ. ^[196]

Философия и этика

Этот раздел должен включать только краткое изложение другой статьи. См. Wikipedia: Summary style для получения информации о том, как правильно включить его в основной текст этой статьи. ( Август 2020 г. )

Есть три философских вопроса, связанных с ИИ ^[197]

1. Возможен ли общий искусственный интеллект ; может ли машина решить любую проблему, которую может решить человек с помощью интеллекта, или существуют жесткие ограничения на то, что машина может выполнить.
2. Опасны ли интеллектуальные машины; как люди могут гарантировать этичное поведение машин и этичное использование.
3. Может ли машина иметь разум , сознание и психические состояния в том же смысле, что и люди; если машина может быть разумной и, таким образом, заслуживает определенных прав - и если машина может намеренно причинить вред.

Пределы общего искусственного интеллекта

"Вежливое соглашение" Алана Тьюринга

Не нужно решать, может ли машина «думать»; нужно только решить, может ли машина действовать так же разумно, как человек. Такой подход к философским проблемам, связанным с искусственным интеллектом, лежит в основе теста Тьюринга . ^[198]

Предложение Дартмута

«Каждый аспект обучения или любая другая особенность интеллекта может быть описана с такой точностью, что можно создать машину для его моделирования». Эта гипотеза была напечатана в предложении Дартмутской конференции 1956 г. ^[199]

Гипотеза системы физических символов Ньюэлла и Саймона

«Физическая система символов имеет необходимые и достаточные средства для общего разумного действия». Ньюэлл и Саймон утверждают, что интеллект состоит из формальных операций над символами. ^[200] Хуберт Дрейфус утверждает, что, напротив, человеческий опыт зависит от бессознательного инстинкта, а не от сознательного манипулирования символами, и от наличия «ощущения» ситуации, а не от явного символического знания. (См. Критику ИИ Дрейфусом .) ^{[I] [202]}

Гёделевские аргументы

Сам Гёдель , ^[203] Джон Лукас (в 1961 г.) и Роджер Пенроуз (в более подробных аргументах начиная с 1989 г.) выдвинули весьма технические аргументы в пользу того, что математики-люди могут последовательно видеть истинность своих собственных «утверждений Гёделя» и, следовательно, обладают вычислительными способностями за пределами механических машин Тьюринга. ^[204] Однако некоторые люди не согласны с «гёделевскими аргументами». ^{[205] [206] [207]}

Искусственный мозг аргумент

Аргумент, утверждающий, что мозг можно моделировать с помощью машин, и, поскольку мозг демонстрирует интеллект, эти моделируемые мозги также должны проявлять интеллект - следовательно, машины могут быть разумными. Ханс Моравек , Рэй Курцвейл и другие утверждали, что технологически возможно скопировать мозг непосредственно в аппаратное и программное обеспечение, и что такая симуляция будет по существу идентична оригиналу. ^[158]

Эффект ИИ

Гипотеза, утверждающая, что машины уже разумны, но наблюдатели не смогли ее распознать. Например, когда Deep Blue обыграл Гарри Каспарова в шахматах, машину можно было охарактеризовать как проявление интеллекта. Однако сторонние наблюдатели обычно игнорируют поведение программы искусственного интеллекта, утверждая, что это не «настоящий» интеллект, а «настоящий» интеллект фактически определяется как то, что машины поведения не могут делать.

Этические машины

Машины с интеллектом могут использовать свой интеллект для предотвращения вреда и минимизации рисков; они могут иметь возможность использовать этическое мышление, чтобы лучше выбирать свои действия в этом мире. Таким образом, существует необходимость в разработке политики для разработки политики и регулирования искусственного интеллекта и робототехники. ^[208] Исследования в этой области включают машинную этику , искусственные моральные агенты , дружественный ИИ, а также ведутся переговоры о создании структуры прав человека . ^[209]

Джозеф Вайзенбаум в книге « Сила компьютера и человеческий разум» писал, что приложения ИИ по определению не могут успешно имитировать подлинное человеческое сочувствие и что использование технологий ИИ в таких областях, как обслуживание клиентов или психотерапия ^[j], было глубоко ошибочным. Вайценбаума также беспокоило то, что исследователи ИИ (и некоторые философы) были готовы рассматривать человеческий разум как не более чем компьютерную программу (позиция, теперь известная как вычислительный подход ). По мнению Вайценбаума, эти моменты предполагают, что исследования ИИ обесценивают человеческую жизнь. ^[211]

Искусственные моральные агенты

Венделл Уоллах представил концепцию искусственных моральных агентов (AMA) в своей книге « Моральные машины» ^[212]. По мнению Уоллаха, AMA стали частью исследовательского ландшафта искусственного интеллекта, руководствуясь двумя его центральными вопросами, которые он определяет как «хочет ли человечество Компьютеры, принимающие моральные решения » ^[213] и« Могут ли (Ro) боты действительно быть моральными ». ^[214] Для Уоллаха вопрос заключается не в том, могут ли машины демонстрировать эквивалент морального поведения, в отличие от ограничений, которые общество может наложить на разработку AMA. ^[215]

Машинная этика

Сфера машинной этики связана с тем, чтобы дать машинам этические принципы или процедуру для открытия способа решения этических дилемм, с которыми они могут столкнуться, позволяя им действовать этически ответственным образом посредством принятия ими собственных этических решений. ^[216]Эта область была очерчена на Симпозиуме AAAI по машинной этике осенью 2005 года: «Прошлые исследования, касающиеся взаимосвязи между технологией и этикой, в основном были сосредоточены на ответственном и безответственном использовании технологий людьми, и некоторые люди интересовались тем, как люди должны относиться к машинам. Во всех случаях этическими рассуждениями занимались только люди. Пришло время добавить этическое измерение по крайней мере к некоторым машинам. Признание этических ответвлений поведения машин, а также недавних и потенциальных разработок в машиностроении В отличие от взлома компьютеров, проблем с собственностью программного обеспечения, вопросов конфиденциальности и других тем, которые обычно приписываются компьютерной этике, этика машин связана с поведением машин по отношению к пользователям-людям и другим машинам.Исследования в области машинной этики являются ключом к снятию опасений по поводу автономных систем - можно утверждать, что понятие автономных машин без такого измерения лежит в основе всех опасений, связанных с машинным интеллектом. Кроме того, исследование машинной этики может позволить выявить проблемы с текущими этическими теориями, продвигая наши взгляды на этику ».^[217] Машинную этику иногда называют машинной моралью, вычислительной этикой или вычислительной моралью. Множество точек зрения на эту зарождающуюся область можно найти в сборнике «Машинная этика» ^[216], который был составлен на симпозиуме по машинной этике осенью 2005 года. ^[217]

Злобный и дружелюбный ИИ

Политолог Чарльз Т. Рубин считает, что ИИ не может быть ни спроектирован, ни гарантирован доброжелательным. ^[218] Он утверждает, что «любая достаточно развитая доброжелательность неотличима от злобы». Люди не должны предполагать, что машины или роботы будут относиться к нам благосклонно, потому что нет априорной причины полагать, что они будут сочувствовать нашей системе морали, которая развивалась вместе с нашей особой биологией (которую ИИ не разделяет). Гиперинтеллектуальное программное обеспечение не обязательно решит поддерживать дальнейшее существование человечества, и его будет чрезвычайно трудно остановить. Эта тема также недавно стала обсуждаться в академических публикациях как реальный источник рисков для цивилизации, людей и планеты Земля.

Одно из предложений по решению этой проблемы - обеспечить, чтобы первый в целом интеллектуальный ИИ был « Дружественным ИИ » и мог контролировать ИИ, создаваемые впоследствии. Некоторые сомневаются, может ли такая проверка действительно оставаться в силе.

Ведущий исследователь ИИ Родни Брукс пишет: «Я думаю, что было бы ошибкой беспокоиться о том, что мы разрабатываем злонамеренный ИИ в любое время в ближайшие несколько сотен лет. Я думаю, что беспокойство проистекает из фундаментальной ошибки, заключающейся в том, что мы не проводим различия между реальными достижениями последнего времени. в конкретном аспекте ИИ, а также о масштабах и сложности создания разумного волевого интеллекта ». ^[219]

Беспокойство вызывает летальное автономное оружие . В настоящее время роботов на поле боя исследуют более 50 стран, в том числе США, Китай, Россия и Великобритания. Многие люди, обеспокоенные рисками, связанными с сверхразумным ИИ, также хотят ограничить использование искусственных солдат и дронов. ^[220]

Машинное сознание, разум и разум

Если система искусственного интеллекта воспроизводит все ключевые аспекты человеческого интеллекта, будет ли эта система также разумной - будет ли у нее разум, обладающий сознательным опытом ? Этот вопрос тесно связан с философской проблемой природы человеческого сознания, которую обычно называют сложной проблемой сознания .

Сознание

Дэвид Чалмерс выделил две проблемы в понимании разума, которые он назвал «трудной» и «легкой» проблемами сознания. ^[221] Простая проблема - понять, как мозг обрабатывает сигналы, строит планы и контролирует поведение. Сложная проблема состоит в том, чтобы объяснить, как это ощущается или почему это вообще должно ощущаться. Обработку информации человеком легко объяснить, однако субъективный опыт человека объяснить трудно.

Например, подумайте, что происходит, когда человеку показывают образец цвета и он идентифицирует его, говоря, что он красный. Простая задача требует только понимания механизма в мозгу, который позволяет человеку узнать, что образец цвета красный. Сложная проблема в том, что люди знают еще кое-что - они также знают, как выглядит красный цвет . (Учтите, что слепорожденный может знать, что что-то красное, не зная, как выглядит красный.) ^[K] Все знают, что существует субъективный опыт, потому что они делают это каждый день (например, все зрячие люди знают, как выглядит красный). Сложная проблема состоит в том, чтобы объяснить, как мозг их создает, почему он существует и чем отличается от знаний и других аспектов мозга.

Вычислительность и функционализм

Компьютационализм - это позиция в философии разума , согласно которой человеческий разум или человеческий мозг (или и то, и другое) являются системой обработки информации, а мышление - формой вычислений. ^[222] Компьютационализм утверждает, что отношения между разумом и телом аналогичны или идентичны отношениям между программным обеспечением и оборудованием и, таким образом, могут быть решением проблемы разума и тела . Эта философская позиция была вдохновлена ​​работой исследователей искусственного интеллекта и когнитивистов в 1960-х годах и первоначально была предложена философами Джерри Фодором и Хилари Патнэм .

Сильная гипотеза ИИ

Философская позиция, которую Джон Сирл назвал «сильным ИИ», гласит: «Соответственно запрограммированный компьютер с правильными входами и выходами, таким образом, будет иметь разум в том же смысле, что и человеческие существа». ^[l] Сирл противопоставляет это утверждение своим аргументом в пользу китайской комнаты , который просит нас заглянуть внутрь компьютера и попытаться найти, где может быть «разум». ^[224]

Права роботов

Если можно создать машину, обладающую интеллектом, сможет ли она тоже почувствовать ? Если он может чувствовать, имеет ли он те же права, что и человек? Этот вопрос, теперь известный как « права роботов », в настоящее время рассматривается, например, Калифорнийским институтом будущего , хотя многие критики считают, что обсуждение преждевременно. ^{[225] [226]} Некоторые критики трансгуманизма утверждают, что любые гипотетические права роботов лежат в спектре прав животных и прав человека. ^[227] Эта тема подробно обсуждается в документальном фильме 2010 года Plug & Pray , ^[228] и во многих научно-фантастических СМИ, таких какStar Trek Next Generation с персонажем командира Дейта , который боролся с разборкой для исследования и хотел «стать человеком», и роботизированные голограммы в «Вояджере».

Суперинтеллект

Есть ли пределы тому, насколько интеллектуальными машинами - или гибридами человека и машины - могут быть? Сверхразум, гиперинтеллект или сверхчеловеческий интеллект - это гипотетический агент, который будет обладать интеллектом, намного превосходящим интеллект самого яркого и одаренного человека. Сверхразум также может относиться к форме или степени интеллекта, которыми обладает такой агент. ^[152]

Технологическая особенность

Если исследования сильного ИИ позволят создать достаточно интеллектуальное программное обеспечение, оно сможет перепрограммировать и улучшить себя. Улучшенное программное обеспечение могло бы даже лучше улучшаться, приводя к рекурсивному самосовершенствованию . ^[229] Таким образом, новый интеллект может расти в геометрической прогрессии и значительно превзойти человеческий. Писатель-фантаст Вернор Виндж назвал этот сценарий « сингулярностью ». ^[230]Технологическая сингулярность - это когда ускорение прогресса в технологиях вызовет неконтролируемый эффект, при котором искусственный интеллект превзойдет человеческие интеллектуальные возможности и контроль, таким образом радикально изменив или даже положив конец цивилизации. Поскольку возможности такого интеллекта могут оказаться невозможными для понимания, технологическая особенность - это явление, за пределами которого события непредсказуемы или даже непостижимы. ^{[230] [152]}

Рэй Курцвейл использовал закон Мура (который описывает неуклонное экспоненциальное улучшение цифровых технологий), чтобы вычислить, что настольные компьютеры будут иметь такую ​​же вычислительную мощность, что и человеческий мозг к 2029 году, и предсказал, что сингулярность произойдет в 2045 году ^[230].

Трансгуманизм

Дизайнер роботов Ханс Моравек , кибернетик Кевин Уорвик и изобретатель Рэй Курцвейл предсказали, что люди и машины в будущем сольются в киборгов, которые будут более способными и мощными, чем любой другой. ^[231] Эта идея, называемая трансгуманизмом , восходит к Олдосу Хаксли и Роберту Эттингеру .

Эдвард Фредкин утверждает, что «искусственный интеллект - следующий этап эволюции», идея, впервые предложенная Сэмюэлем Батлером « Дарвин среди машин » еще в 1863 году и развитая Джорджем Дайсоном в его одноименной книге в 1998. ^[232]

Влияние

Долгосрочные экономические эффекты ИИ неизвестны. Опрос экономистов показал разногласия по поводу того, приведет ли растущее использование роботов и ИИ к существенному увеличению долгосрочной безработицы , но в целом они согласны с тем, что это может быть чистой выгодой, если прирост производительности будет перераспределен . ^[233] В исследовании PricewaterhouseCoopers, проведенном в 2017 году, показано, что Китайская Народная Республика будет экономически наиболее эффективно использовать ИИ с 26,1% ВВП до 2030 года. ^[234]В официальном документе Европейского союза по искусственному интеллекту, опубликованном в феврале 2020 года, содержится призыв к использованию искусственного интеллекта для получения экономических выгод, включая «улучшение здравоохранения (например, более точную диагностику, более эффективную профилактику заболеваний), повышение эффективности сельского хозяйства, содействие смягчению последствий изменения климата и адаптации к нему, [и] повышение эффективности производственных систем посредством профилактического обслуживания », признавая при этом потенциальные риски. ^[187]

Отношения между автоматизацией и занятостью усложняются. Хотя автоматизация устраняет старые рабочие места, она также создает новые рабочие места за счет микроэкономических и макроэкономических эффектов. ^[235] В отличие от предыдущих волн автоматизации, многие рабочие места среднего класса могут быть устранены с помощью искусственного интеллекта; The Economist заявляет, что «беспокойство о том, что ИИ может сделать с рабочими местами белых воротничков то же, что паровая энергия сделала синих воротничков во время промышленной революции», «заслуживает серьезного отношения». ^[236] Субъективные оценки риска сильно различаются; например, Майкл Осборн и Карл Бенедикт Фрей оценивают, что 47% рабочих мест в США подвержены «высокому риску» потенциальной автоматизации, в то время как в отчете ОЭСР только 9% рабочих мест в США классифицируются как «высокий риск".^{[237] [238] [239]} Рабочие места с высоким уровнем риска варьируются от помощников юриста до поваров быстрого питания, в то время как спрос на рабочие места, вероятно, вырастет для профессий, связанных с уходом, от личного здравоохранения до духовенства. ^[240] Автор Мартин Форд и другие идут дальше и утверждают, что многие работы рутинны, повторяемы и (для ИИ) предсказуемы; Форд предупреждает, что эти рабочие места могут быть автоматизированы в ближайшие пару десятилетий, и что многие из новых рабочих мест могут быть «недоступны для людей со средними возможностями» даже при переподготовке. Экономисты отмечают, что в прошлом технологии имели тенденцию увеличивать, а не сокращать общую занятость, но признают, что «мы на неизведанной территории» с ИИ. ^[34]

Потенциальные негативные последствия искусственного интеллекта и автоматизации представляют собой серьезную проблему для Эндрю Янг «s 2020 президентской кампании в Соединенных Штатах. ^[241]Ираклий Беридзе, руководитель Центра искусственного интеллекта и робототехники при ЮНИКРИ, ООН, заявил, что «я думаю, что опасными приложениями для ИИ, с моей точки зрения, могут быть преступники или крупные террористические организации, использующие его для срыва крупных процессов или просто нанести чистый вред. [Террористы могут причинить вред] посредством цифровой войны, или это может быть комбинация робототехники, дронов, искусственного интеллекта и других вещей, которые могут быть действительно опасными. И, конечно же, другие риски исходят от таких вещей, как потеря рабочих мест. Если огромное количество людей потеряют работу и не найдут решения, это будет чрезвычайно опасно. Такие вещи, как смертоносные автономные системы оружия, должны управляться надлежащим образом - в противном случае существует огромный потенциал неправильного использования ». ^[242]

Риски узкого ИИ

Широкое использование искусственного интеллекта может иметь непредвиденные последствия , опасные или нежелательные. Ученые из Института будущего жизни , среди прочего, описали некоторые краткосрочные исследовательские цели, чтобы увидеть, как ИИ влияет на экономику, законы и этику, связанные с ИИ, и как минимизировать риски безопасности ИИ. В долгосрочной перспективе ученые предложили продолжить оптимизацию функций, минимизируя возможные риски безопасности, связанные с новыми технологиями. ^[243]

Некоторые обеспокоены алгоритмической предвзятостью , что программы ИИ могут непреднамеренно стать предвзятыми после обработки данных, которые демонстрируют предвзятость. ^[244] Алгоритмы уже нашли множество приложений в правовых системах. Примером этого является COMPAS , коммерческая программа, широко используемая судами США для оценки вероятности того, что ответчик станет рецидивистом . ProPublica утверждает, что средний уровень риска рецидивизма для чернокожих обвиняемых, установленный Компасом, значительно выше, чем средний уровень риска, установленный Компасом для белых подсудимых. ^[245]

Риски общего ИИ

Физик Стивен Хокинг , основатель Microsoft Билл Гейтс , профессор истории Юваль Ноа Харари и основатель SpaceX Илон Маск выразили обеспокоенность по поводу возможности того, что ИИ может эволюционировать до такой степени, что люди не смогут его контролировать, при этом Хокинг предположил, что это может означать конец человеческого рода ". ^{[246] [247] [248] [249]}

Развитие полного искусственного интеллекта может означать конец человечества. Как только люди разовьют искусственный интеллект, он будет развиваться сам по себе и со все возрастающей скоростью модернизировать себя. Люди, которые ограничены медленной биологической эволюцией, не могут конкурировать и будут вытеснены.

-  Стивен Хокинг ^[250]

В своей книге « Суперинтеллект» философ Ник Бостром аргументирует, что искусственный интеллект представляет угрозу для человечества. Он утверждает, что достаточно умный ИИ, если он выбирает действия, основанные на достижении некоторой цели, будет демонстрировать конвергентныетакое поведение, как получение ресурсов или защита от отключения. Если цели этого ИИ не полностью отражают цели человечества - одним из примеров является ИИ, которому приказано вычислить как можно больше цифр числа Пи - он может нанести вред человечеству, чтобы получить больше ресурсов или предотвратить отключение, в конечном итоге для лучшего достижения своей цели. . Бостром также подчеркивает сложность полной передачи человеческих ценностей передовым ИИ. Он использует гипотетический пример того, как ИИ ставит перед собой цель заставить людей улыбнуться, чтобы проиллюстрировать ошибочную попытку. Если бы ИИ в этом сценарии стал суперинтеллектуальным, утверждает Бостром, он мог бы прибегнуть к методам, которые большинство людей сочли бы ужасными, такими как введение «электродов в лицевые мышцы людей, чтобы вызывать постоянные сияющие улыбки».потому что это был бы эффективный способ добиться своей цели - заставить людей улыбаться.^[251] В своей книге « Совместимость с людьми» исследователь искусственного интеллекта Стюарт Дж. Рассел разделяет некоторые опасения Бострома, а также предлагает подход к разработке доказательно полезных машин, ориентированный на неуверенность и уважение к людям, ^{[252] : 173} возможно, включающий обучение с обратным подкреплением . ^{[252] : 191–193}

Обеспокоенность рисками, связанными с искусственным интеллектом, привела к некоторым громким пожертвованиям и инвестициям. Группа выдающихся технологических титанов, включая Питера Тиля , Amazon Web Services и Маска, выделила 1 миллиард долларов OpenAI , некоммерческой компании, нацеленной на поддержку ответственной разработки ИИ. ^[253] Мнения экспертов в области искусственного интеллекта неоднозначны, значительная часть которых обеспокоена и не обеспокоена риском, связанным со сверхспособностями ИИ. ^[254] Другие лидеры технологической индустрии считают, что искусственный интеллект в его нынешнем виде полезен и будет продолжать помогать людям. Генеральный директор Oracle Марк Хердзаявил, что ИИ «фактически создаст больше рабочих мест, а не меньше», поскольку люди будут необходимы для управления системами ИИ. ^[255] Генеральный директор Facebook Марк Цукерберг считает, что ИИ «откроет огромное количество положительных вещей», таких как лечение болезней и повышение безопасности автономных автомобилей. ^[256] В январе 2015 года Маск пожертвовал 10 миллионов долларов Институту будущего жизни на финансирование исследований по пониманию процесса принятия решений ИИ. Цель института - «вырастить мудрость, с помощью которой мы управляем» растущей мощью технологий. Маск также финансирует компании, разрабатывающие искусственный интеллект, такие как DeepMind и Vicarious, чтобы «просто следить за тем, что происходит с искусственным интеллектом».^[257]Я думаю, что здесь есть потенциально опасный исход ». ^{[258] [259]}

Чтобы реализовать опасность неконтролируемого продвинутого ИИ, гипотетический ИИ должен пересилить или превзойти все человечество, что, по мнению меньшинства экспертов, является достаточно далекой возможностью в будущем, чтобы не стоило исследовать. ^{[260] [261]} Другие контраргументы вращаются вокруг людей, которые обладают внутренней или конвергентной ценностью с точки зрения искусственного интеллекта. ^[262]

Регулирование

Регулирование искусственного интеллекта - это разработка политики и законов государственного сектора для продвижения и регулирования искусственного интеллекта (ИИ); ^{[263] [264],} следовательно, это связано с более широким регулированием алгоритмов . Нормативно-правовая и политическая среда для ИИ - это новая проблема в юрисдикциях по всему миру, в том числе в Европейском Союзе. ^[265] Регулирование считается необходимым как для поощрения ИИ, так и для управления связанными с ним рисками. ^{[266] [267]} Регулирование ИИ с помощью таких механизмов, как контрольные комиссии, также можно рассматривать как социальное средство решения проблемы управления ИИ . ^[268]

В художественной литературе

Способные к мысли искусственные существа появились как устройства для повествования со времен античности ^[36] и были постоянной темой в научной фантастике .

Обычный образ в этих работах начался с « Франкенштейна» Мэри Шелли , где человеческое творение становится угрозой для своих хозяев. Сюда входят такие работы, как « 2001: Космическая одиссея» Артура Кларка и Стэнли Кубрика (обе 1968 г.) с HAL 9000 , смертоносным компьютером, отвечающим за космический корабль Discovery One , а также «Терминатор» (1984) и «Матрица» (1999). ). Напротив, редкие лояльные роботы, такие как Горт из «Дня, когда Земля остановилась» (1951) и Бишоп из « Чужих» (1986), менее заметны в массовой культуре. ^[269]

Айзек Азимов представил три закона робототехники во многих книгах и рассказах, в первую очередь в серии «Multivac» о сверхразумном компьютере с таким же названием. Законы Азимова часто поднимаются во время непрофессиональных дискуссий о машинной этике; ^[270] Хотя почти все исследователи искусственного интеллекта знакомы с законами Азимова через массовую культуру, они обычно считают эти законы бесполезными по многим причинам, одна из которых - их двусмысленность. ^[271]

Трансгуманизм (слияние людей и машин) исследуется в манге « Призрак в доспехах» и научно-фантастическом сериале « Дюна» . В 1980-х годах в Японии была нарисована и опубликована серия «Сексуальных роботов» художника Хадзиме Сораямы, изображающая реальную органическую человеческую форму с реалистичной мускулистой металлической кожей, а позже последовала книга «Гиноиды», которая использовалась или оказывала влияние на создателей кино, включая Джорджа Лукаса и других креативы. Сораяма никогда не считал этих органических роботов реальной частью природы, но всегда был неестественным продуктом человеческого разума, фантазией, существующей в уме, даже когда она реализована в реальной форме.

В нескольких работах ИИ используется, чтобы заставить нас ответить на фундаментальный вопрос о том, что делает нас людьми, показывая нам искусственных существ, которые обладают способностью чувствовать и, следовательно, страдать. Это проявляется в Карела Чапека «s руб , фильмы AI Искусственный интеллект и Ex Machina , а также роман ли андроиды Сон Electric Sheep? , Филипп К. Дик . Дик рассматривает идею о том, что наше понимание человеческой субъективности изменено технологиями, созданными с помощью искусственного интеллекта. ^[272]

Смотрите также

Пояснительные примечания

Рекомендации

Учебники по ИИ

История ИИ

Другие источники

дальнейшее чтение

внешняя ссылка

• «Искусственный интеллект» . Интернет-энциклопедия философии .
• Томасон, Ричмонд. «Логика и искусственный интеллект» . В Залте, Эдвард Н. (ред.). Стэнфордская энциклопедия философии .
• Искусственный интеллект , дискуссия на BBC Radio 4 с Джоном Агаром, Элисон Адам и Игорем Александром ( в наше время , 8 декабря 2005 г.)