Общий искусственный интеллект может появиться до 2030 года

Применение

С 2010 года мощность компьютеров позволяет сочетать так называемые большие данные (Big Data) с методами глубокого обучения (Deep Learning), которые основываются на использовании искусственных нейронных сетей. Весьма успешное применение во многих областях (распознавание речи и изображений, понимание естественного языка, беспилотный автомобиль и т.д.) позволяет говорить о возрождении ИИ.

Сегодня рынок искусственного интеллекта является самым быстрорастущим в мире. Согласно прогнозам исследовательской компании Statista, c 2024 по 2030 год мировой рынок ИИ будет расти со скоростью 28,46% в год. А по мнению заместителя председателя правительства Российской Федерации Дмитрия Чернышенко, экономический эффект от внедрения искусственного интеллекта увеличит ВВП России к 2030 году на 11 трлн руб.

Искусственный интеллект (ИИ) – это отрасль науки, официально увидевшая свет в 1956 году на летнем семинаре в Дартмут-колледже (Хановер, США), который организовали четверо американских ученых: Джон Мак-Карти, Марвин Мински, Натаниэль Рочестер и Клод Шеннон. С тех пор термин «искусственный интеллект», придуманный, вероятнее всего, с целью привлечения всеобщего внимания, стал настолько популярен, что сегодня вряд ли можно встретить человека, который никогда его не слышал. С течением времени этот раздел информатики развивался все больше, а интеллектуальные технологии в последние шестьдесят лет сыграли важную роль в изменении облика мира.

Такие интеллектуальные системы стали применяться для выполнения самых различных задач (идентификация отпечатков пальцев, распознавание речи и т. д.), а комбинации различных методов из области ИИ, информатики, искусственной жизни и других дисциплин использовались для создания гибридных систем.

Эволюция нейронных сетей продолжается. Можно предположить, что в будущем появится принципиально новый способ кооперации, подобно тому, как одноклеточные организмы эволюционировали в сложные многоклеточные. Благодаря взаимодействию персональных помощников группы людей получат совершенно новый инструмент коммуникации, открывающий новые возможности развития.

Поначалу, под влиянием первых успехов, исследователи позволяли себе несколько опрометчивые заявления, которые впоследствии неоднократно ставились им в упрек. Так, например, в 1958 году американец Герберт Саймон, позже ставший лауреатом Нобелевской премии по экономике, заявил, что если бы машины допускались к международным соревнованиям, то в ближайшие десять лет они стали бы чемпионами мира по шахматам.

Основной алгоритм компьютерного зрения – это сверточные нейронные сети. Свертка – это некоторая функция, которая является произведением двух функций. С помощью этой компьютерной технологии осуществляется распознавание эмоций, пола и возраста человека и так далее.

Многие результаты, достигнутые с использованием технологий ИИ, превосходят человека: в 1997 году компьютер одержал победу над действующим в то время чемпионом мира по шахматам, а недавно, в 2016 году, другие компьютеры обыграли лучших в мире игроков в го и покер. Компьютеры доказывают или помогают доказывать математические теоремы; автоматически, на основе методов машинного обучения и с помощью огромных массивов данных, объем которых исчисляется в терабайтах (10 в 12-й степени) и даже в петабайтах (10 в 15-й степени), создаются знания.

История взлетов и падений

Методы машинного обучения позволяют одним автоматам распознавать устную речь и записывать ее подобно секретарям-машинисткам прошлых лет, а другим – точно идентифицировать лица или отпечатки пальцев среди десятков миллионов других и обрабатывать тексты, написанные на естественных языках. Благодаря этим же методам самостоятельно движутся автомобили, компьютеры лучше врачей-дерматологов диагностируют меланомы по фотографиям родинок, сделанных с помощью сотовых телефонов, роботы воюют вместо людей; а конвейеры на заводах все больше автоматизируются.

Точное определение AGI еще не сложилось, но большинство экспертов определяет его, как ИИ, который соответствует или превосходит человеческие возможности в широком спектре когнитивных задач. Именно это, по мнению директора управления экспериментальных систем машинного обучения SberDevices Сергея Маркова, отличает AGI от существующих сегодня нейросетевых моделей. «Пчела найдет оптимальный маршрут в улей быстрее и лучше, чем это сделал бы человек, хотя в ее нервной системе несколько сотен тысяч нейронов, а у человека восемьдесят шесть миллиардов. Шахматная программа или даже калькулятор в решении конкретной задачи тоже превосходит человека. Уже сегодня можем сейчас взять почти любую простою задачу и сделать систему, которая будет лучше человека в ее решении. А вот AGI или общий искусственный интеллект — это универсальная система, которая сможет решать неизвестные ей ранее задачи. Сила человеческого интеллекта именно в том, что мы умеем решать задачи, с которыми ранее не сталкивались. И к созданию таких систем мы сейчас только приближаемся» , — отметил Марков в своем выступлении на конференции Turbo ML Conf.

Могут ли машины стать умнее, чем люди? Нет, считает Жан-Габриэль Ганасия: это всего лишь миф, навеянный научной фантастикой. В своей статье он напоминает об основных этапах развития этой отрасли науки, о достижениях современной техники и об этических вопросах, все больше требующих к себе внимания.

Исследования не прекратились, но пошли в новых направлениях. Ученые заинтересовались психологией памяти, механизмами понимания, которые они пытались имитировать на компьютере, и ролью знаний в мыслительном процессе. Это привело к появлению значительно развившихся в середине 1970-х годов методов семантического представления знаний, а также к созданию экспертных систем, названных так потому, что для воспроизведения мыслительных процессов в них использовались знания квалифицированных специалистов. В начале 1980-х годов на экспертные системы возлагались большие надежды в связи с широкими возможностями их применения, например, для медицинской диагностики.

Обучение с подкреплением – это универсальный подход к ИИ. Он работает для способного к действию агента, и каждое действие меняет состояние среды. Успех поведения измеряется скалярной величиной награды. И если кратко, то обучение с подкреплением – это выбор действия, максимизирующего награду.

Для Джона Мак-Карти и Марвина Мински, как и для прочих организаторов летнего семинара в Дартмут-колледже, ИИ изначально представлял собой область науки, занимающейся компьютерным моделированием различных способностей интеллекта, идет ли речь об интеллекте человеческом, животном, растительном, социальном или филогенетическом. В основе этой научной дисциплины лежит предположение о том, что все когнитивные функции, как то обучение, мышление, расчет, восприятие, память, даже научное открытие или художественное творчество, могут быть описаны с точностью, дающей возможность запрограммировать компьютер на их воспроизведение. На протяжении более чем шестидесяти лет существования ИИ не появилось ничего, что позволило бы неоспоримо доказать либо опровергнуть гипотезу, которая продолжает оставаться открытой и побуждает ученых к новым изобретениям.

У машинного обучения есть ключевое отличие отличие от стандартных алгоритмов, которые состоят из набора инструкций. Во втором случае программист сам продумывает решение задачи и просто записывает его в машину. В случае с машинным обучением разработчик не знает, как решить задачу, но у него есть много примеров того, как задача была решена.

Ученые также прибегают к этим методам для определения функций биологических макромолекул, в частности белков и геномов, исходя из последовательности их компонентов – аминокислот для белков и оснований для геномов. В целом, во всех науках наблюдается серьезный эпистемологический разрыв, обусловленный качественным отличием экспериментов in silico – получивших такое название потому, что выполняются на основе больших данных с помощью мощных процессоров с кремниевыми чипами – от экспериментов in vivo (на живой ткани) и особенно in vitro (в стеклянных пробирках и чашках Петри).

Этические риски

И наконец, в противоположность некоторым утверждениям, машины не несут в себе экзистенциального риска для человечества, поскольку их автономия носит лишь технический характер и в этом смысле не соответствует цепочкам материальной причинности, идущим от информации к принятию решений. Кроме того, машины не самостоятельны в моральном плане, и потому, даже если иногда они сбивают нас с толку и вводят в заблуждение своими действиями, они все же не обладают собственной волей и подчиняются тем целям, которые мы перед ними ставим.

При этом руководитель научных исследований обработки естественного языка в лаборатории T-Bank AI Research Даниил Гаврилов считает, что общий ИИ появится раньше. Он отметил, что и аналитики, и разработчики, делая прогноз в 2021 году относительно качества нейросетевых моделей к 2022 году, ошиблись более чем в два раза, причем, в меньшую сторону. «Нам очень тяжело думать об экспоненциальном росте, а именно так сейчас развиваются большие языковые модели. Такая скорость тяжело укладывается в голове, поэтому те предсказания, которые мы слышали оказались более пессимистичны, чем реальность. Если экстраполировать текущую скорость развития ИИ, то уже к 2027 году мы получим, если не полноценный AGI, то что-то качественно иное относительно того, что мы имеем сейчас», — считает Гаврилов. Согласно данным Epoch AI, сегодня существуют несколько разнонаправленных трендов, которые будут влиять на скорость развития ИИ в ближайшие годы. Так производительность «железа», которое требуется обучения и работы нейросетей, удваивается каждые 2,3 года. А переход на новые (FP16) тензорные ядра в графических процессорах NVIDIA привел к одномоментному 10-кратному росту производительности. Объем вычислений, используемых для обучения нейросетевых моделей, с 2010 по 2024 ежегодно увеличивался в 4-5 раз. Такой рост наблюдается в новых больших языковых моделях (LLM) всех ведущих компаний. Алгоритмический прогресс в производительности LLM происходит со скоростью эквивалентной удвоению вычислительной мощности каждые 5-14 месяцев. То есть ИИ-алгоритмы становятся более совершенными и производительными. Среди негативных факторов, тормозящих развитие ИИ, эксперты Epoch AI отметили рост стоимость LLM. За последние восемь лет стоимость обучения новейших ИИ-моделей росла в 2-3 раза в год, а к 2027 году стоимость крупных LLM превысит миллиард долларов. Также сдерживающим фактором является дефицит данных для обучения искусственного интеллекта. Запас публичных текстов, созданных человечеством, оценивается примерно в 300 триллионов токенов. Если актуальные тенденции сохранятся, то языковые модели полностью используют этот запас между 2025 и 2032 годами (под токенами подразумевается последовательность текстовых символов — слов или отдельных знаков — ред.). В дальнейшем для дальнейшего обучения нейросетевых моделей потребуется использовать синтетические данные, то есть сгенерированные ИИ. Таким образом искусственный интеллект начнет обучать себя сам, но как это отразится на качестве и характере обучения пока неизвестно. В любом случае аналитики считают, что 2027-2030 года станут рубежом, когда станет ясно, насколько человечество приблизилось к созданию общего искусственного интеллекта. Среди экспертного сообщества нет сомнений, что создание AGI вызовет мощные технологические, экономические и социальные изменения в обществе.

Искусственный интеллект – это направление исследований, которые сегодня позволяют решать множество практических задач. Его прикладная цель – создать помощника, который смог бы участвовать в повседневной жизни человека, повышая эффективность работы. В будущем искусственный интеллект скорее всего сойдется с нейробиологией и философией: его мышление станет подобно человеческому. Это будет вести нас к пониманию самих себя и к ответам на более глубокие философские вопросы.

Второй подход – символьный искусственный интеллект. Человеческий интеллект основан на манипуляции с символами. Его можно смоделировать при помощи модели рассуждений. В этом и заключается суть второго подхода. Данное направление науки зародилось на рубеже прошлого века. Когда появились первые компьютеры, математическое моделирование помогло решать сложные задачи, которые не решались аналитически, и строить самообучающиеся математические машины. Сперва это называлось «кибернетика», а потом уже «искусственный интеллект».

Что же будет дальше? Мы создаем все более адекватный, человечный искусственный интеллект. Уже скоро у каждого из нас появится персональный умный помощник, через который мы будем взаимодействовать с другими сервисами и информацией в интернете. Он будет знать о нас так много, что сможет обеспечить беспрецедентное качество сервиса, предугадать желания, спрогнозировать вопросы еще до их формулировки. При этом он сможет защитить нас от навязчивых сервисов и минимизировать время нахождения в интернете. С другой стороны, он будет обладать информацией, которая может причинить вред, если попадет не в те руки.

С конца 1990-х годов ИИ стали объединять с робототехникой и интерфейсом «человек – машина» с целью создания интеллектуальных агентов, предполагающих наличие чувств и эмоций. Это привело, среди прочего, к появлению нового исследовательского направления – аффективных (или эмоциональных) вычислений (affective computing), направленных на анализ реакций субъекта, ощущающего эмоции, и их воспроизведение на машине, и позволило усовершенствовать диалоговые системы (чат-боты).

Существует два основных подхода к созданию искусственного интеллекта. Первый — это решение смоделировать мозг, как материальный носитель интеллекта. Мозг состоит из сети нейронов, нейроны передают электрические сигналы. Соответственно, мозг можно смоделировать как сеть нейронов. Этот подход получил название «искусственные нейронные сети».

Ноябрь Года науки и технологий посвящен искусственному интеллекту. Уже сейчас он позволяет решать многие задачи: переводить язык с одного на другой, отвечать вместо телефонного оператора, водить машины и не только. О возможностях, которые появятся у ИИ в будущем, рассказал Михаил Бурцев, кандидат физико-математических наук, директор по фундаментальным исследованиям Института искусственного интеллекта AIRI, заведующий лабораторией нейронных систем и глубокого обучения МФТИ.