Давайте реально взглянем на искусственный интеллект

Давайте реально взглянем на искусственный интеллект

PUBLIC


В последние годы искусственный интеллект (ИИ) привлекает больше внимания, денег и талантов, чем когда-либо за свою короткую историю. Но большая часть внезапного ажиотажа является результатом мифов и заблуждений, которые распространяются людьми далекими от этой области.

В течение многих лет эта область развивалась по нарастающей, при этом существующие подходы, согласно стандартным тестам, с каждым годом становились результативнее примерно на 1-2%. Но настоящий прорыв произошел в 2012 году, когда компьютерный ученый Джеффри Хинтон и его коллеги из Университета Торонто показали, что их алгоритмы “глубокого обучения” могут превзойти современные алгоритмы с запасом в 10,8 процентных пункта ImageNet Challenge (эталонный набор данных).

В то же время, исследователи ИИ извлекали выгоду из все более мощных инструментов, включая рентабельные облачные вычисления, быстрое и дешевое аппаратное обеспечение для обработки чисел (“GPU”), бесшовный обмен данными через Интернет и достижения высококачественного программного обеспечения с открытыми исходными кодами. Благодаря этим факторам, машинное обучение, и особенно глубокое обучение, способствующие развитию ИИ вызвали волну энтузиазма. Инвесторы выстраиваются в очередь, чтобы финансировать перспективные компании, занимающиеся ИИ, а правительства вкладывают сотни миллионов долларов в исследовательские институты ИИ.

Хотя дальнейший прогресс в этой области неизбежен, он не обязательно будет линейным. Вместе с тем, те, кто продвигает эти технологии, ухватились за ряд убедительных мифов, начиная с представления о том, что ИИ может решить любую проблему.

Не проходит и недели, чтобы не появлялись сенсационные истории о том, что ИИ превосходит людей: “Интеллектуальные машины обучаются квантовой физике”; “Искусственный интеллект лучше, чем люди при выявлении рака легких”. Такие заголовки зачастую верны только в узком смысле. Для общей проблемы, такой как “обнаружение рака легких”, ИИ предлагает решение только для конкретной, упрощенной визуализации проблемы, путем сведения задачи к вопросу распознавания изображений или классификации документов.

В этих историях не упоминается о том, что на самом деле ИИ не понимает изображения или язык так, как люди. Скорее, алгоритм находит скрытые сложные комбинации функций, присутствие которых в определенном наборе изображений или документов характерно для целевого класса (например, рака или угрозы насилия). И таким классификациям не обязательно доверять решения, касающиеся людей – относится ли это к диагнозу пациента или того, как долго кто-то должен находиться в заключении.

Несложно понять почему. Хотя системы ИИ превосходят людей в задачах, которые часто связаны с “высоким уровнем интеллекта” (игра в шахматы, Go или Jeopardy), они далеко не преуспевают в выполнении задач, которыми люди могут овладеть с небольшой или нулевой подготовкой (например, понимание шуток). То, что мы называем “здравым смыслом”, на самом деле является массивной базой подразумеваемых знаний – совокупным эффектом познания мира и изучения его с детства. Кодирование здравого смысла знаний и передача их в системы ИИ являются нерешенной проблемой. Несмотря на то, что искусственный интеллект продолжает решать некоторые сложные проблемы, он далек от выполнения многих задач, c которыми, как правило, справляются и дети.

Это указывает на второй, миф связанный с тем: что ИИ в скором времени превзойдет человеческий интеллект. В 2005 году, автор бестселлеров футурист Рэй Курцвейл предсказал, что в 2045 году, машинный интеллект будет гораздо мощнее всего человеческого интеллекта вместе взятого. Но в то время как Курцвейл предполагал, что экспоненциальный рост ИИ будет продолжаться более или менее интенсивно, более вероятным является возникновение препятствий.

Одним из таких препятствий является абсолютная сложность систем ИИ, которые стали полагаться на миллиарды параметров для обучения алгоритмов машинного обучения на основе массивных наборов данных. Поскольку мы уже не понимаем взаимодействия между всеми этими частями системы, сложно разглядеть, каким образом различные компоненты могут быть собраны и связаны для выполнения представленной задачи.

Еще одним препятствием является нехватка аннотированных (“маркированных”) данных, на которых базируются алгоритмы машинного обучения. Big Tech образования, такие как Google, Amazon, Facebook и Apple, владеют большей частью наиболее многообещающих данных, и у них мало стимулов для того, чтобы сделать такие ценные активы общедоступными.

Третий миф заключается в том, что ИИ скоро сделает людей лишними. В своем бестселлере 2015 года, “Homo Deus: Краткая история завтрашнего дня”, израильский историк Юваль Ноа Харари утверждает, что большинство людей могут стать гражданами второго сорта в обществах, в которых принятие всех интеллектуальных решений на более высоком уровне зарезервировано для систем ИИ. Действительно, некоторые обычные работы, такие как вождение грузовика, скорее всего, в течение следующих десяти лет будут замещены ИИ, как и многие рабочие места “белых воротничков”, связанные с рутинными, повторяющимися задачами.

Но эти тенденции не означают, что наступит массовая безработица, когда миллионы домохозяйств будут сводить концы с концами получая гарантированный базовый доход. Старые рабочие места будут заменены новыми, которые мы еще должны себе представить. В 1980 году, никто не мог знать, что миллионы людей вскоре будут зарабатывать на жизнь используя возможности Интернета.

Безусловно, работа будущего, вероятно, потребует гораздо более высокого уровня подготовки по математике и естествознанию. Но сам по себе ИИ может предложить частичное решение, позволяя использовать новые, более увлекательные методы обучения будущих поколений необходимым навыкам. Рабочие места, которые забирает ИИ, будут заменены новыми рабочими местами, для которых ИИ обучает людей. Не существует закона технологии или истории, который обрекает человечество на интеллектуальное рабство в будущем.

Конечно, мифов существует гораздо больше: ИИ одолеет людей и причинит им вред, у него никогда не будет способностей к человеческому творчеству, и он никогда не сможет построить причинно-следственную логическую цепочку, связывающую эффекты с образцами, которые их определяют. Я считаю, что время и исследования в конечном итоге развенчают и эти мифы.

Это захватывающее время для ИИ. Но это еще одна причина оставаться реалистичными в отношении данной области.