Машины, которые думают

Чуть позже Ли Кронин, химик из Университета Глазко, использовал робота для случайного смешивания химических веществ, чтобы узнать, не появятся ли какие-нибудь новые соединения. Отслеживая реакции в реальном времени при помощи масс-спектрометра, машины, работающей на ядерном магнитном резонансе, и при помощи инфракрасного спектрометра, система в итоге научилась предсказывать наиболее реактивные комбинации. Даже несмотря на то, что это не привело к открытиям, сказал Кронин, роботизированная система может позволить химикам ускорить их исследования на 90%.

Но одна из целей партнерства – изучение ИИ – сомнений не вызывает. На сегодня исследования в этом направлении стали полноценной научной дисциплиной. Причем ее развитие прошло несколько этапов, первоначально теория искусственного интеллекта значительно отделилась от остального массива компьютерных наук.

В принципе, этих примеров уже достаточно, чтобы понять основные задачи, которые ставят перед системами ИИ ученые в своих лабораториях. Они видят в нем надежного ассистента, который берет на себя выполнение значительной части рутинной работы, позволяет с одной стороны, сделать ее в разы быстрее, а с другой – вовлечь в анализ намного больше данных, что повышает качество результатов.

Сегодня мало кто отрицает, что ИИ оказывает огромное преобразующее влияние на экономику, а значит и на нашу цивилизацию в целом. Понимая это, ряд крупнейших игроков в этой области (Microsoft, Amazon, Facebook, IBM, Google и DeepMind и др.) создали «партнерство по ИИ во благо людей и общества». Декларируемая цель: «изучать и формулировать рекомендации по технологиям искусственного интеллекта для улучшения понимания ИИ общественностью и создания открытой платформы для обсуждения и принятия решений относительно ИИ и его влияния на людей и общество». Такой инициативой они стремятся убедить общественность, что понимают свою ответственность.

Но, по мере ее развития, эта изоляция осталась в прошлом. Пришло понимание того, что машинное обучение не следует отделять от теории информации, что проведение рассуждений в условиях неопределенности нельзя изолировать от стохастического моделирования, что поиск не следует рассматривать отдельно от классической оптимизации и управления и так далее.

Насколько подобные заявления искренни, тема для отдельного разговора. Равно как и насколько реально, в принципе, контролировать эволюцию систем ИИ и их влияние на нас. В конце концов, Алан Тьюринг еще в 1951 году предупреждал: «Если машина сможет думать, она будет делать это лучше нас… Этой новой угрозой… …определенно стоит обеспокоиться».

Одними из первых его возможности оценили астрономы. Еще в 2007 году астрофизик Кевин Шавинский инициировал оригинальный проект «Галактический зоопарк», по сути, он привлек огромную аудиторию интернет-пользователей к процессу классификации различных типов галактик «на аутсорсинге». С их помощью был обработан массив данных о 60 млн галактик, причем, в довольно сжатые сроки. А спустя несколько лет Шавинский сделал вывод, что одна система ИИ вполне способна заменить эту огромную аудиторию, да еще и проделать равный объем работы быстрее и с более ровными показателями качества.

Но уже сейчас системы ИИ – не только объект изучения самостоятельной и бурно развивающейся научной дисциплины. Они сами по себе стали мощным инструментом для проведения исследований во многих других областях науки. Рассмотрим некоторые «кейсы» с использованием систем с ИИ в научно-исследовательских проектах.

К концу прошлого века изучение и разработка систем искусственного интеллекта окончательно перешло на научные методы. Работы исследователей основаны на признанных теориях, гипотезы проверяют с помощью строгих практических экспериментов (одной из популярных площадок для экспериментаторов стала «всемирная паутина»), а значимость результатов должна подтверждаться данными статистического анализа.

Но это сегодня. Искусственный интеллект развивается, и даже сегодня стало ясно, что в принципе его можно обучить и тому, что мы называем творчеством. Так что вполне возможно, достаточно скоро компьютерный «лаборант» дорастет до полноценного партнера по исследованиям.

Вот что пишет по этому поводу Клаус Шваб, Шваб, основатель и бессменный председатель Всемирного экономического форума: «Искусственный интеллект уже перестраивает цифровую экономику и вскоре изменит экономику материального мира». Заявление смелое, но если посмотреть, в каких отраслях системы ИИ и роботы работают уже сейчас, то станет ясно, что слова Шваба вполне обоснованы. Дроны и промышленные роботы используют ИИ для решения сложных задач навигации и взаимодействия. Самоуправляемые роботы (автономные машины) могут делать то, что раньше было под силу только людям, например, водить грузовые автомобили по автомагистралям. Человекоподобные роботы начинают использоваться в качестве персональных помощников и компаньонов, превращая научную фантастику в реальность.

Шавинский и его коллеги, Денис Тарп и Че Жен использовали ИИ для исследования физических изменений галактик в процессе эволюции. Их модель создавала искусственные наборы данных для проверки гипотез по поводу физических процессов. Например, как «затухание» формирования звёзд – резкое уменьшение скорости их формирования – связано с увеличением плотности галактики и т.д.

Использование компьютерных моделей для простого перебора возможных вариантов давно применяется исследователями, например, на стадии отбора молекул – кандидатов на создание новых лекарственных препаратов (что позволяет на порядок сократить время прохождения этого этапа работы). Но ИИ уже сегодня может больше, оперируя методом т.н. генеративного моделирования, он может помочь «определить наиболее вероятную теорию среди соревнующихся объяснений наблюдаемых данных, на основе лишь этих данных, и без какого бы то ни было заранее запрограммированного знания о том, какие физические процессы могут происходить в исследуемой системе». Проще говоря, это не наблюдение и не симуляция в ходе эксперимента, а третий способ решить задачу. По сути, генеративное моделирование задаёт вопрос: насколько вероятно, что при условии Х мы получим результат Y? И этот подход оказался невероятно действенным и универсальным.

Впрочем, на этом пути мы видим не только достижения, но и трудности. В частности, эталоны для сравнения устанавливаются путем грубого перебора и сопоставления шаблонов, и незначительные изменения во входных сигналах могут полностью нарушить модели машинного обучения. В результате, у систем с ИИ пока плохо получается справляться с такими сложными задачами, как воссоздание ситуативных моделей. Исследователи хотели бы, чтобы машины могли делать общие выводы, не проходя предварительное обучение на огромных наборах данных, но пока это невозможно. Вероятно, новые технологии, такие как квантовые вычисления, смогут изменить подходы ИИ к получению информации о проблемах и позволят ему учиться посредством получения обратной связи, а может, даже имитировать человеческие когнитивные функции познания мира. Если это произойдет, искусственный интеллект сможет приносить экономическую выгоду, работая без свойственных человеку ошибок и усталости.