Обучение искусственного интеллекта
Чтобы понять, что обещает нам будущее в связи с развитием ИИ, нужно сначала понять, как он стал таким умным. Ключевое понятие тут – «глубокое обучение». Учится ИИ с помощью нейронных сетей. Это понятие было описано еще в 1943 году психологом Уорреном Мак-Каллоком и математиком Уолтером Питтсом, а на практике воплощено 15 лет спустя, когда психолог Фрэнк Розенблатт создал перцептрон. Эта модель содержала около тысячи связанных друг с другом «нейронных клеток», которые могли принимать сигналы от 400 фотоэлементов. Со временем ученые совершенствовали нейронные сети, делая их все более многослойными.
Слово «нейронный» тут неслучайно: компьютерная сеть в самом деле подобна структуре мозга, и чем больше в ней взаимосвязанных элементов («нейронов»), уложенных во множество слоев, тем она эффективнее. Чтобы эта технология работала в полную силу, нужны были большие данные, на которых можно было бы учиться, и огромные вычислительные мощности. Вычислительная мощность – двигатель ИИ, а данные – его бензин. И то и другое в изобилии возникло в XXI веке.
Однако учатся нейронные сети иначе, чем человеческий мозг. Скажем, мы хотим научить ИИ распознавать яблоки на фотографиях. Для этого надо показать ему миллионы фото, помеченных тегом «яблоко», и миллионы фото без яблок. ИИ считает с фотографий множество параметров, которыми потом и будет руководствоваться при отборе. При этом у ИИ нет абстрактного понимания яблока, он не будет ассоциировать его с другими фруктами или с законом всемирного тяготения. В этом его принципиальное отличие от человеческого сознания. Наше внимание и память всегда ограниченны, зато мы умеем обобщать и ассоциировать. ИИ же умеет обнаруживать корреляции между множеством характеристик, на которые люди не обратили бы внимания. Чтобы учиться хорошо, ему нужны:
1) данные (чем больше, тем лучше);
2) узкая область применения (чем конкретнее, тем лучше);
3) конкретная цель (чем конкретнее, тем лучше).
Уязвимость ИИ
У ИИ есть очевидный недостаток: он поневоле пристрастен, поскольку учится только на тех данных, которые ему дают. А они могут быть неполными или неадекватными, отражать расовые, гендерные предрассудки. Как с этим быть?
▶ Постоянно работать над совершенствованием инструментов обучения ИИ, которые могли бы отслеживать работу со статистически неполными базами.
▶ Принять законы, требующие аудита ИИ: если компания получает постоянные жалобы, она рискует подвергнуться такой проверке на предмет соблюдения правил конфиденциальности.
▶ Обучать инженеров ИИ этическим принципам, подобно тому как врачи учат клятву Гиппократа.
▶ Внедрять алгоритмы ИИ, которые способствуют большей прозрачности его решений и принципиально поддаются интерпретации (сегодня мы далеко не всегда можем понять, почему система действует так, а не иначе, – ее работа совершается как будто в «черном ящике»).
▶ Компании, использующие ИИ, должны полностью отдавать себе отчет, где и с какой целью используются системы ИИ.
Мощнейшим ускорителем ИИ станут квантовые вычисления. Если традиционные компьютеры хранят информацию в битах, которые могут принимать всего два значения (0 или 1) и тем самым ограничивают скорость решения задач, то квантовые компьютеры обрабатывают данные с помощью кубитов, которые, согласно законам квантовой механики, могут быть включенными и выключенными одновременно. Это позволяет им обрабатывать огромное количество данных за единицу времени.