Под термином «искусственный интеллект» зачастую имеются в виду нейросети, построенные на технологии глубокого машинного обучения. Причем технология обучения нейросетей хорошо отработана и дает свои плоды. Однако не все ученые разделяют мнение о том, что искусственный интеллект должен развиваться именно по этому пути. Кто-то даже полагает, что таким системам «не стоит доверять» и ни к чему хорошему их развитие не приведет.
Почему машинное обучение – это плохо для развития человечества
В масштабной работе, опубликованной на страницах издания Тechnologyreview, профессор Нью-Йоркского университета, специалист в области когнитивистики (науки о познании) Гэри Маркус рассказал, чем чревато повсеместное использование нейросетей на основе глубокого машинного обучения.
Во-первых, ученый считает, что у технологии есть явные ограничения. В частности, уже давно ведутся разговоры о том, что требуется создать, так называемый, «настоящий ИИ», который подойдет для решения широкого круга задач, а не какой-то одной конкретной, как происходит сейчас. Существующие ИИ-системы уже подошли к пику своего развития и им практически «некуда расти». К тому же нельзя просто взять и, скажем сначала научить один ИИ водить машину, а другой заставить чинить ее и затем объединить системы, создав универсального помощника. Искусственные интеллекты просто не смогут взаимодействовать, так как «учились по-разному».
Вы можете обучить ИИ играть на Atari лучше человека, но сделать хороший робомобиль — вряд ли. Хотя эта задача тоже довольно узкоспециализированная. Глубокое обучение хорошо проявляет себя в анализе больших данных, но алгоритмы не видят причинно-следственной связи и плохо воспринимают любую перемену условий. Сдвиньте элементы в компьютерной игре на два-три пикселя, и обученный ИИ станет неэффективным. Сделайте поле для игры в го не квадратным, а прямоугольным, и искусственный разум проиграет даже начинающему игроку.
Как сделать ИИ умнее
Для того, чтобы алгоритмы стали более эффективными, их нужно «обучать иначе». Необходимо сделать так, чтобы они начинали видеть взаимосвязь объектов и последствий от взаимодействия с ними. В данном случае лучшим примером послужим мы с вами.
Наберите студентов-стажеров, и они через несколько дней начнут работать над любой проблемой — от юриспруденции до медицины. Не потому, что все из них умные. А от того, что люди имеют общее представление об окружающем мире, а не частное.
Причем то, что предлагает Маркус совсем не ново. Описанный выше пример — это то, как ученые представляли себе «классический ИИ». Только вот для того, чтобы такой ИИ эффективно работал, нам нужно заранее запрограммировать все возможные исходы. А это практически нереально. Но выход есть.
Решением может быть своего рода симбиоз «классического ИИ», который видит взаимосвязи и получает решения понятным образом, и глубокого обучения, способного находить вариант решения путем «проб и ошибок». Это может быть некая базовая система правил и предписаний, касающихся окружающего мира. На их основе ИИ-системы уже и смогут развивать себя в определенной области. Настоящий искусственный интеллект должен осознать, как работает все вокруг для того, чтобы понять причинно-следственные связи и легко переключиться с одной задачи на другую. Современные системы, созданные с помощью технологии глубокого обучения, на такое просто-напросто не способны. Источник