Лента TH Новости Искусственный интеллект


Искусственный интеллект выходит на новый уровень

∴ 270

Оливер Митчел, партнер-основатель компании Autonomy Ventures в Нью-Йорке, специализирующейся на инвестициях в искусственный интеллект и робототехнику. Предприниматель дал свою оценку тому, что происходит в мире искусственного интеллекта.

343

В течение 65 лет Тест Тьюринга оставался неразрешимым до тех пор, пока компьютерная программа под названием «Евгений Густман» не прошла его в 2014 году. Чатбот, который имитирует 13-летнего украинского мальчика, сделал немыслимое, обманул группу судей из числа людей. Более того, он казался им более реальным, чем живой человек на другой стороне экрана. Первоначальный тезис Алана Тьюринга в разработке схемы состоял в проверке предпосылки — «Может ли машина размышлять?».

Слова «Тест Тьюринга» были применены к подобным соревнованиям во всем мире. Тем не менее, это событие включало в себя самые высокие показатели теста, чем когда-либо прежде. Была независимая оценка, проверялась достоверность работы, и машина вела беседу дольше, чем когда-либо. Поэтому мы с гордостью заявляем, что тест Алана Тьюринга был впервые пройден. Организатор конкурса, Кевин Уорик из Университета Ковентри.

Тот момент был одним из спорных, и до сих пор нет однозначного ответа, был ли это ИИ, или нет. В декабре прошлого года искусственный интеллект преодолел звуковой барьер в Тесте Тьюринга. Это произошло благодаря группе исследователей из Массачусетского технологического института и Лаборатории искусственного интеллекта (CSAIL). Используя алгоритм глубокого обучения, ИИ обманул зрителей, сымитировав звук, в соответствии с демонстрируемым видеорядом. Например: компьютеру показывают разбивающийся стакан, а алгоритм подбирает звук раскалывающегося стекла. Компьютерная программа произвела звук, который был достаточно реалистичным, чтобы обмануть даже самых закаленных аудиофилов. Согласно исследовательской статье, авторы предполагают, что их алгоритмы в будущем будут использоваться для автоматического производства фильмов, телешоу, а также помогая роботам лучше понимать окружающую среду.

Возможность предсказать звук — важный первый шаг к возможности предсказать последствия физических взаимодействий с миром. Робот мог смотреть на тротуар и инстинктивно знать, что цемент твердый, а трава мягкая, и поэтому знают, что произойдет, если они наступят на любую из поверхностей.Ведущий автор исследования Эндрю Оуэнс.

Подобный алгоритм использует глубокий подход к обучению, чтобы автоматически обучить компьютер, сопоставлять звуки с картинками с помощью опыта. Согласно документу, исследователи провели несколько месяцев, записывая около 1000 видеороликов приблизительно из 46000 звуков, каждый из которых представляет уникальные объекты, которые «падают, царапаются, стукаются и так далее.

Обычно искусственный интеллект начинается с создания агента для решения конкретной программы, часто агенты являются символическими или логическими, но подходы глубокого обучения, такие как пример MIT, используют сверточные нейронные сети, которые пытаются подражать тому, как учится мозг человека. Автономные устройства, такие как роботы, используют машинные методы обучения для комбинирования алгоритмов с опытом.

ИИ очень сложен и опирается на теории, основанные на множестве дисциплин, включая информатику, математику, психологию, лингвистику, философию, неврологию и статистику. Для целей этой статьи лучше всего сгруппировать современные подходы по двум категориям: «контролируемое» и «неконтролируемое» обучение. Наблюдаемый использует метод «непрерывных целевых значений» для сбора данных для прогнозирования результатов, подобно тому, как номинальные переменные используются для обозначения значений в статистике. В неконтролируемом обучении отсутствует понятие целевого значения. Скорее, алгоритмы выполняют операции, основанные на кластеризации данных в классификации, а затем определяют отношения между входами и выходами с помощью численной регрессии или других методов фильтрации. Основное различие между этими двумя подходами состоит в том, что при неконтролируемом изучении компьютерная программа способна автоматически подключаться и маркировать образцы из потоков входных данных. В приведенном выше примере алгоритм соединяет тихие видеоизображения с библиотекой звуков.

Теперь, когда соединения сделаны между шаблонами и входами, следующим шагом является управление поведением. Самые элементарные приложения AI делятся между классификаторами («если блестящие, то серебряные») и контроллерами («если блестящие, то мы их выбираем»). Важно отметить, что контроллеры также классифицируют условия перед выполнением действий. Классификаторы используют сопоставление с образцом для определения ближайшего соответствия. В контролируемом обучении каждый шаблон принадлежит определенному предопределенному классу для вывода.

В робототехнике для управления объектами, навигации, локализации, составления карт и планирования движения требуется неконтролируемое (машинное) обучение, которое становится все более сложным в неструктурированных средах, таких как расширенное производство и автономное вождение. В результате глубокое изучение породило многие подспецифики ИИ, такие как компьютерное зрение, распознавание речи и обработка естественного языка. Родни Брукс признал в 1986 году новую теорию ИИ, которая привела к наибольшему прогрессу в машинной разведке для робототехники. «Архитектура подчинения» Брука создала парадигму для обучения в режиме реального времени через живое взаимодействие посредством ввода данных с датчиков. По его словам Брукса в интервью 2015 года: «Работа, которую я выполнял в 80-х годах была воплощена на практике в IRobot Roomba. И 14 миллионов из этих роботов работают во всем мире. И алгоритмы также использовались в iRobot PackBot, а в Ираке и Афганистане было 4500 PackBots, которые исправляли придорожные бомбы – и, кстати, сейчас в Фукусиме есть несколько PackBots и Warriors от iRobot, использующих архитектуру подчинения. Внутри робота Бакстера есть вариант подчинения – теперь мы называем его основанным на поведении, но он является потомком этой архитектуры. И это позволяет Бакстеру знать о разных вещах параллельно. Например, он что-то выбрал, он положил в коробку, что-то пошло не так, и он выбрасывает объект. Традиционный робот просто продолжал бы собирать объекты дальше, помещая их в коробку, но Бакстер знает об этом изменении поведения. Это использование основанного на поведении подхода, который является разновидностью субнабора. Так что это часть интеллекта Бакстера.
Многие ученые следующего поколения занимаются разработкой не только программного обеспечения, которое действует как мозг, но и аппаратного обеспечения, созданного как человеческий череп. Сегодня известные алгоритмы глубокого обучения, такие как Siri и Google Translate, работают на традиционных вычислительных платформах, которые потребляют много энергии при разделении логики и плат памяти. В прошлом году программа Google AlphaGo, самая успешная программа глубокого обучения на сегодняшний день, смогла победить мирового чемпиона в игре Го после обучения в базе данных из тридцати миллионов ходов, работающих примерно на миллионе ватт мощности. Дева и Шеной, ранее работавший в Департаменте энергетики США по поводу проекта Google, сказал: «AlphaGo пришлось переучивать для каждой новой игры (особенность узкого AI, где машина делает одну вещь очень хорошо, даже лучше, чем люди). После того как алгоритмы обучения были реализованы на нейроморфном оборудовании, которое является распределенным, асинхронным, то его совершенствование может обеспечить сверхчеловеческую скорость в работе уже нескольких приложений в недалеком будущем.

Сверхчеловеческий интеллект мог бы казаться супер страшным, однако, меня отрезвляет ошибочное предсказание сделанное в 60-х годах, основоположником искусственного интеллекта, профессором Гербертом Саймоном, который тогда заявил: «Машины будут способны в течение двадцати лет выполнять любую работу, которую может сделать человек».

Данная статья лишь поверхностно затрагивает тему ИИ. Если вам она показалась интересной – пишите в комментарии, и мы продолжим тему.

Филипп Дончев