In jüngster Zeit sind Veröffentlichungen über die Aussichten für die Entstehung künstlicher Intelligenz häufiger geworden. Die praktischen und moralisch-ethischen Aspekte des Zusammenlebens der Menschheit mit ihm werden diskutiert. Wie aktuell sind diese Diskussionen? Können wir wirklich das Erscheinen von "Denkmaschinen" erwarten?
Alle Projekte zur Schaffung künstlicher Intelligenz lassen sich grob in zwei Bereiche unterteilen. Das erste ist die Anhäufung von Datenbanken und deren Verarbeitung durch Programme, die die Aktivität des menschlichen Gehirns imitieren. Die zweite basiert auf der Untersuchung von Modellen des intellektuellen Verhaltens. Der Hauptnachteil von beiden ist, dass wir immer noch nicht gut genug wissen, was der Geist und das intellektuelle Verhalten sind, und das menschliche Gehirn wurde offen gesagt vor relativ kurzer Zeit ernsthaft untersucht.
Es gibt eine Meinung, dass das Problem durch Cyborgs umgangen werden kann, dh indem ein lebendes Gehirn (Affe und in Zukunft ein Mensch) mit einem Computer verschmolzen wird. Dieser Weg ist jedoch mit enormen Schwierigkeiten behaftet, und noch schlimmer, in diesem Fall wird es unmöglich sein, darüber zu sprechen volle künstliche Intelligenz.
Wissenschaftler glauben jedoch, dass es durchaus realistisch ist, über mehrere Schritte zu springen, damit sich künstliche Intelligenz von selbst entwickeln kann - genau wie sie sich in der lebenden Natur entwickelt hat, mit dem Unterschied, dass ihre Entwicklung im virtuellen, nicht im materiellen Raum stattfinden wird. Hier wird auf künstliche neuronale Netze oder neuronale Netze (künstliches neuronales Netz) gesetzt.
Erinnern wir uns, was ein Neuron ist. Dies ist der Name einer Nervenzelle, die sich von anderen Zellen dadurch unterscheidet, dass sie Informationen durch elektrische und chemische Signale speichern und übertragen kann. Die Funktion von Neuronen wurde Ende des 19. Jahrhunderts entdeckt, was natürlich den Materialisten in die Hände spielte, die zu dieser Zeit auf der ganzen Welt Autorität erlangten: Sie erklärten sofort, dass es Neuronen waren, die die "Seele" enthielten. Daher die Idee, dass, wenn Sie irgendwie eine exakte Kopie des Gehirns wachsen lassen, eine "Seele" darin geboren wird. Es stellte sich jedoch eine philosophische Frage: Kann man ohne Grund von einer „Seele“sprechen? Immerhin ist es ein Produkt der Erziehung, wie die Studie von "Mowgli" zeigt - menschlichen Kindern, die von Tieren aufgezogen wurden. Dementsprechend reicht es nicht aus, eine Kopie des Gehirns zu erstellen - es muss noch "erzogen" werden, um Intelligenz zu erlangen.
TECHNISCHE FEIN
Das Gehirn eines normalen Erwachsenen enthält ungefähr 86 Milliarden Neuronen. Vor nicht allzu langer Zeit schien die Idee, ein digitales Analogon davon zu erstellen, absolut fantastisch. Mit der Entwicklung der Informationstechnologie scheint dies jedoch bereits heute durchaus erreichbar zu sein.
Werbevideo:
Es sei daran erinnert, dass der berühmte amerikanische Mathematiker Norbert Wiener, der "Vater" der Kybernetik, als Begründer der Theorie der Modellierung komplexer biologischer Prozesse, einschließlich Gehirnprozessen, gilt. 1949 erstellte der kanadische Psychologe Donald Hebb, ein Spezialist für das Studium von Denkprozessen, basierend auf Wieners Berechnungen, den ersten Trainingsalgorithmus für neuronale Netze (übrigens war Hebb einmal bei der CIA tätig, wo er sich mit dem Problem der Gehirnwäsche befasste).
Der Amerikaner Frank Rosenblatt, ein Theoretiker der künstlichen Intelligenz, erstellte 1957 auf der Grundlage seiner früheren Arbeiten ein Logikdiagramm des Perzeptrons - ein selbstlernendes kybernetisches Modell des Gehirns, das drei Jahre später auf der Grundlage des elektronischen Computers Mark-1 implementiert wurde. Das Perzeptron überträgt Signale von Fotozellen (Sensoren, S-Zellen) an Blöcke elektromechanischer Speicherzellen, die zufällig verbunden sind. Wenn eine der Zellen ein Signal empfängt, das den Schwellenwert überschreitet, sendet sie es weiter - an den Addierer (R-Element) und mit einem bestimmten Koeffizienten ("Gewicht" der AR-Verbindung). Abhängig von der Summe des Signals multipliziert mit den Gewichtsfaktoren gibt der Addierer eines von drei möglichen Ergebnissen an die Ausgabe des gesamten Systems aus: -1, 0 und +1. Das Training des Perzeptrons erfolgt in der Phase der Einführung von Gewichtskoeffizienten in das System. Beispielsweise,Wir platzieren eine "quadratische" Figur vor den Fotozellen und legen die Regel fest: Wenn ein Quadrat im Sichtfeld erscheint, sollte das Perzeptron ein positives Ergebnis liefern (+1), und wenn ein anderes Objekt erscheint, negativ (-1). Dann wechseln wir die Objekte nacheinander und passen die Gewichte an, wenn ein Quadrat in Richtung der Zunahme und in seiner Abwesenheit in Richtung der Abnahme erscheint. Als Ergebnis erhalten wir ein eindeutiges Array von Werten für Gewichtskoeffizienten innerhalb des Systems für jede Variante des Erscheinungsbilds eines Quadrats und können es in Zukunft zum Erkennen von Quadraten verwenden. "Mark-1" konnte trotz seiner Primitivität im Vergleich zu modernen Computern nicht nur geometrische Formen, sondern auch Buchstaben des Alphabets erkennen und in verschiedenen Handschriften schreiben. Wenn ein Quadrat im Sichtfeld erscheint, sollte das Perzeptron ein positives Ergebnis liefern (+1), und wenn ein anderes Objekt erscheint - negativ (-1). Dann wechseln wir die Objekte nacheinander und passen die Gewichte an, wenn ein Quadrat in Richtung der Zunahme und in seiner Abwesenheit - in Richtung der Abnahme - erscheint. Als Ergebnis erhalten wir ein eindeutiges Array von Werten für Gewichtskoeffizienten innerhalb des Systems für jede Variante des Erscheinungsbilds eines Quadrats und können es in Zukunft zum Erkennen von Quadraten verwenden. "Mark-1" konnte trotz seiner Primitivität im Vergleich zu modernen Computern nicht nur geometrische Formen, sondern auch Buchstaben des Alphabets erkennen und in verschiedenen Handschriften schreiben. Wenn ein Quadrat im Sichtfeld erscheint, sollte das Perzeptron ein positives Ergebnis liefern (+1), und wenn ein anderes Objekt erscheint - negativ (-1). Dann wechseln wir die Objekte nacheinander und passen die Gewichte an, wenn ein Quadrat in Richtung der Zunahme und in seiner Abwesenheit - in Richtung der Abnahme - erscheint. Als Ergebnis erhalten wir ein eindeutiges Array von Werten für Gewichtskoeffizienten innerhalb des Systems für jede Variante des Erscheinungsbilds eines Quadrats und können es in Zukunft zum Erkennen von Quadraten verwenden. Mark-1 konnte trotz seiner Primitivität im Vergleich zu modernen Computern nicht nur geometrische Formen erkennen, sondern auch Buchstaben des Alphabets, die in verschiedenen Handschriften geschrieben waren. Dann wechseln wir die Objekte nacheinander und passen die Gewichte an, wenn ein Quadrat in Richtung der Zunahme und in seiner Abwesenheit - in Richtung der Abnahme - erscheint. Als Ergebnis erhalten wir ein eindeutiges Array von Werten für Gewichtskoeffizienten innerhalb des Systems für jede Variante des Erscheinungsbilds eines Quadrats und können es in Zukunft zum Erkennen von Quadraten verwenden. "Mark-1" konnte trotz seiner Primitivität im Vergleich zu modernen Computern nicht nur geometrische Formen, sondern auch Buchstaben des Alphabets erkennen und in verschiedenen Handschriften schreiben. Dann wechseln wir die Objekte nacheinander und passen die Gewichte an, wenn ein Quadrat in Richtung der Zunahme und in seiner Abwesenheit - in Richtung der Abnahme - erscheint. Als Ergebnis erhalten wir ein eindeutiges Array von Werten für Gewichtskoeffizienten innerhalb des Systems für jede Variante des Erscheinungsbilds eines Quadrats und können es in Zukunft zum Erkennen von Quadraten verwenden. "Mark-1" konnte trotz seiner Primitivität im Vergleich zu modernen Computern nicht nur geometrische Formen, sondern auch Buchstaben des Alphabets erkennen und in verschiedenen Handschriften schreiben. Als Ergebnis erhalten wir ein eindeutiges Array von Werten für Gewichtskoeffizienten innerhalb des Systems für jede Variante des Erscheinungsbilds eines Quadrats und können es in Zukunft zum Erkennen von Quadraten verwenden. "Mark-1" konnte trotz seiner Primitivität im Vergleich zu modernen Computern nicht nur geometrische Formen, sondern auch Buchstaben des Alphabets erkennen und in verschiedenen Handschriften schreiben. Als Ergebnis erhalten wir ein eindeutiges Array von Werten für Gewichtskoeffizienten innerhalb des Systems für jede Variante des Erscheinungsbilds eines Quadrats und können es in Zukunft zum Erkennen von Quadraten verwenden. "Mark-1" konnte trotz seiner Primitivität im Vergleich zu modernen Computern nicht nur geometrische Formen, sondern auch Buchstaben des Alphabets erkennen und in verschiedenen Handschriften schreiben.
SMART THINGS
Natürlich sind seitdem viel komplexere Schaltungen, Algorithmen und Varianten von Perzeptronen entstanden. Dieser Ansatz zur Organisation eines neuronalen Netzwerkmodells weist jedoch grundlegende Einschränkungen auf: Perzeptrone können beispielsweise das Problem der Aufteilung einer Figur in separate Teile oder der Bestimmung der relativen Position von Figuren nicht lösen.
Als klar wurde, dass es unmöglich war, künstliche Intelligenz auf der Basis von Perzeptronen aufzubauen, sank das Interesse an ihnen. Dennoch tauchten in den frühen 1980er Jahren neue Varianten selbstlernender und selbstorganisierender neuronaler Netze auf: das Hopfield-Netz, das Hemming-Netz, das Kohonen-Netz, das Jordan-Netz und andere. 1986 fand eine Art Revolution statt: Sowjetische und amerikanische Wissenschaftler entwickelten eine Backpropagation-Methode (iterativer Gradientenalgorithmus), die es ermöglichte, zuvor entdeckte Einschränkungen zu überwinden. Danach erhielten neuronale Netze eine schnelle Entwicklung, die sofort in angewandten Computerprogrammen implementiert wurde.
Moderne Softwarepakete, die auf künstlichen neuronalen Netzen basieren, können beliebig komplexe Texte, Tonbefehle, Gesichter, Gesten und Gesichtsausdrücke erkennen. Dies sind jedoch nur die einfachsten Anwendungsfälle, es gibt auch ungewöhnlichere. Selbstlernende Autopiloten, die in der Lage sind, früher als Piloten auf die Entwicklung katastrophaler Situationen zu reagieren. Börseninspektoren identifizieren verdächtige Transaktionen an den Aktienmärkten. Netzwerk-Anzeigenagenten, die die Präferenzen potenzieller Kunden verfolgen. Medizinische Diagnostiker, die Pathologien bei Säuglingen bestimmen.
Es ist klar, dass mit der Verbesserung der Informationstechnologien auch neuronale Netze komplexer werden. Sie werden alle Haushaltsgeräte und die Lebenserhaltung für Haushalte, Fabriken und Supermärkte verwalten. Sie können Bedrohungen überwachen, Trends analysieren und beispielsweise Ratschläge zur optimalen Geldanlage geben. Sie werden sogar in der Lage sein, Kunstobjekte zu schaffen: Es gibt bereits Gemälde und Gedichte, die von neuronalen Netzen geschrieben wurden!
Sklaverei oder Freundschaft?
Tatsächlich hängt alles damit zusammen, dass ein neuronales Netzwerk eines Tages ein unersetzlicher Assistent in tausend großen und kleinen Angelegenheiten wird. Futuristen fürchten dies. Sie glauben, dass sich Quantität irgendwann in Qualität verwandeln wird, künstliche Intelligenz in neuronalen Netzen entstehen wird, die die Menschheit sofort herausfordern und zerstören wird. Eine andere Option ist ebenfalls möglich - Menschen werden so abhängig von den Entscheidungen des neuronalen Netzwerks, dass sie selbst nicht bemerken, wie sie sich in seine Sklaven verwandeln.
Gruselige Szenarien wie diese scheinen zu seltsam. Tatsache ist, dass neuronale Netze zunächst so strukturiert sind, dass sie sich an die Bedürfnisse einer bestimmten Person oder Personengruppe anpassen. Sie können helfen, einen Fehler zu korrigieren oder Ratschläge zu geben, ein Problem hervorzuheben oder eine Täuschung zu bemerken, aber sie selbst können keine Wahl zwischen gleichwertigen Optionen treffen, weil wir ihnen (leider oder glücklicherweise) nicht die Hauptsache beibringen können - Moral. Daher werden neuronale Netze zu jeder Zeit wie Haushunde sein - gehorsam, treu und freundlich.
Anton Pervushin
