IBM видит искусственный интеллект не как набор обычных алгоритмов

Уже сейчас можно наблюдать примеры, как технологии искусственного интеллекта способны проявлять некоторые, кажущиеся на первый взгляд и свойственные только человеку черты. Мы создаем гуманоидных роботов, как минимум очень похожих на нас, некоторые занимаются тем, что создают алгоритмы, способные выполнять то, на что обычно способны только люди – писать музыку, картины или заниматься обучением. С развитием этой сферы компании и разработчики начинают искать возможность изменить саму основу, на базе которой сейчас создаются алгоритмы искусственного интеллекта, и принимаются за исследование настоящего интеллекта, а также способа, как эффективно имитировать его в машиностроении и создании программного обеспечения нового поколения. Одной из таких компаний является IBM, поставившая перед собой амбициозную задачу научить ИИ вести себя (правильнее будет сказать работать) больше как человеческий мозг, а не как набор запрограммированных алгоритмов. Большинство существующих систем машинного обучения строятся вокруг необходимости использования огромного набора различных данных. Будь то компьютер, призванный искать пути победы в логической игре го, или система, построенная для определения признаков рака кожи на базе цифровых изображений – это правило работает всегда. Но такая основа для работы выглядит очень ограниченной и сжатой, и конечно же именно это существенно отличает такие системы от того, как работает человеческий мозг. Компания IBM хочет это изменить. Исследовательская команда из DeepMind создала синтетическую нейронную сеть, в основе которой лежит рациональное принятие решений при работе над той или иной задачей. Рациональные машины «Дав искусственному интеллекту множество объектов и конкретную задачу, мы вынуждаем сеть обнаруживать существующие соответствия», — комментирует на страницах Science Magazine Тимоти Лилликрэп, компьютерный специалист команды DeepMind. В тестах сети, проводившихся в июне, системе, при наличии множества факторов давали различные задачи, связанные с цифровым изображением. Например, такую: «Перед синей штукой на изображении находится объект. Он имеет такую же форму, как и та крошечная голубая вещь, что находится справа от серого металлического шарика?» В этом тесте искусственная нейронная сеть смогла определить нужный объект в 96 процентов случаев, в то время как обычные модели машинного обучения смогли справиться с задачей в 42-77 процентах случаев. Последнее время искусственные нейтронные сети продолжают совершенствоваться в понимании человеческого языка. Исследователи же хотят, чтобы помимо принятия разумных решений такие системы могли демонстрировать и сохранять внимание, а также хранить воспоминания. Со слов Ирины Риш, исследователя компании IBM, развитие искусственного интеллекта можно было бы существенно ускорить и расширить за счет применения подобных тактик. «Совершенствование нейронных сетей остается предметом инженерии, как правило требующего огромного количества времени, чтобы прийти к нужной архитектуре, работающей лучше всего. По сути – это метод человеческих проб и ошибок. Было бы здорово, если бы эти сети могли сами себя создавать и совершенствовать». Некоторых, конечно может напугать мысль об ИИ-сетях, способных сами себя создавать и улучшать, но если найти грамотный способ следить, контролировать и управлять этим процессом, то это позволит нам выйти за рамки существующих в настоящий момент ограничений. Несмотря на нарастающий страх о революции роботов, которые всех нас поработят, развитию сферы ИИ пророчат тысячи спасенных жизней в медицине, открытие для нас возможности посетить и даже поселиться на Марсе и многое другое.