Основные подходы и этические соображения в машинном обучении

8.1 Основные подходы к созданию ИИ

8.1.1 Символьное программирование и экспертные системы

Символьное программирование и экспертные системы выделяютяс своим уникальным подходом к моделированию человеческого мышления и решению задач. Этот подход основан на принципе, что знания и процессы рассуждения могут быть представлены через символы и систему правил, которые управляют этими символами, имитируя таким образом человеческую способность к анализу и выводу.

В основе символьного программирования лежит идея, что любое знание или мыслительный процесс может быть декомпозирован на фундаментальные элементы — символы, и дальнейшие манипуляции с этими символами позволяют решать различные задачи. Например, в математике числа и операции с ними (сложение, вычитание и т.д.) можно рассматривать как символы и правила их преобразования, что позволяет решать математические задачи. Аналогичным образом, символьное программирование в ИИ использует символы для представления концепций и объектов из реального мира, а правила определяют, как эти символы могут быть скомбинированы или преобразованы для решения более сложных задач.

Экспертные системы — это приложение символьного программирования, где они используются для имитации процесса принятия решений человеком-экспертом в конкретной области. Они основываются на базе знаний, состоящей из фактических данных (например, симптомов болезни) и эвристических правил (например, если симптом А и симптом В присутствуют, то возможный диагноз — С). Таким образом, когда перед системой ставится задача (например, диагностировать заболевание), она использует свою базу знаний для анализа представленной информации и генерации вывода, имитируя процесс рассуждения человека.

Для иллюстрации: представим экспертную систему, разработанную для диагностики автомобильных неисправностей. В её базе знаний содержится информация о том, какие симптомы указывают на определённые проблемы с автомобилем. Например, если автомобиль не заводится и при этом слышен щелчок при попытке запуска, система может использовать правило, согласно которому эти симптомы указывают на возможную неисправность стартера. Таким образом, экспертная система анализирует введённые данные (симптомы), сопоставляет их с информацией в своей базе знаний и предлагает наиболее вероятную причину проблемы, подобно тому, как это сделал бы опытный механик.

Такой подход позволяет создавать высокоспециализированные ИИ-системы, способные решать сложные задачи в узких областях, где требуется глубокое понимание предмета и специфические знания. Это открывает широкие возможности для автоматизации процессов принятия решений и предоставления экспертной поддержки в различных сферах, от медицины до технического обслуживания.

Несмотря на значительные преимущества и вклад в развитие искусственного интеллекта, символьное программирование и экспертные системы сталкиваются с рядом недостатков, которые ограничивают их применение и эффективность в некоторых областях.

Ограниченность базы знаний: Одним из ключевых ограничений экспертных систем является их зависимость от предварительно заданной и тщательно структурированной базы знаний. Это означает, что система может рассматривать только те сценарии и решать те задачи, для которых знания были явно внесены в базу. Например, экспертная система, созданная для диагностики автомобильных неисправностей, может не учесть новый тип поломки или нестандартное поведение автомобиля, если эти данные не были включены в её базу знаний.

Сложность поддержки и обновления: Постоянное развитие и изменения в предметной области требуют регулярного обновления базы знаний экспертной системы. Это может быть чрезвычайно трудоемким и дорогостоящим процессом, особенно в быстро развивающихся областях, таких как медицина или информационные технологии. Например, в медицине постоянно появляются новые исследования, лекарства и методы лечения, и экспертная система, используемая для диагностики или рекомендаций по лечению, должна регулярно обновляться, чтобы оставаться актуальной.

Справление с неопределенностью и амбивалентностью: Многие реальные задачи характеризуются неопределенностью и амбивалентностью, с которыми символьные системы часто не могут эффективно справляться. Экспертные системы обычно работают с четко определенными правилами и условиями, но могут испытывать трудности при необходимости интерпретировать нечеткие, неполные или противоречивые данные. Например, в клинической диагностике пациент может представить симптомы, которые перекрываются между несколькими возможными заболеваниями, и экспертная система может не иметь возможности учесть все нюансы клинического контекста и личного опыта врача.

Отсутствие гибкости и адаптивности: Традиционные экспертные системы не обладают способностью к обучению или адаптации на основе нового опыта или данных без вмешательства человека. В отличие от систем машинного обучения, которые могут самостоятельно "учиться" из новых данных и со временем улучшать свою производительность, экспертные системы ограничены заранее заданными знаниями и правилами. Это делает их менее эффективными в динамичных или сложных средах, где условия и требования могут быстро меняться.

8.1.2 Подход на основе машинного обучения

С развитием компьютерных технологий и научных исследований машинное обучение стало неотъемлемой частью современного искусственного интеллекта, открывая новые горизонты в создании автономных систем, способных к самообучению, адаптации и совершенствованию. Этот подход выходит за рамки традиционного программирования, где поведение машины жёстко задаётся разработчиком, и стремится к тому, чтобы машины могли самостоятельно "учиться" на основе данных, с которыми они взаимодействуют.

В центре машинного обучения лежит идея о том, что машины могут учиться из опыта, анализировать данные и принимать решения с минимальным вмешательством человека. Этот процесс начинается с сбора и анализа обширных объёмов данных, на основе которых машина, используя специальные алгоритмы, строит модель, способную делать предсказания или принимать решения в новых условиях. Таким образом, в отличие от традиционного программирования, где логика работы программы полностью задаётся разработчиком, в машинном обучении машина сама "выявляет" эту логику, анализируя предоставленные ей данные.

Методы машинного обучения классифицируются на основе типа обучения. Контролируемое обучение, например, требует наличия обучающего набора данных с явно указанными правильными ответами (метками), что позволяет машине обучаться, сопоставляя входные данные с соответствующими выходными. Это как если бы вы учили ребёнка распознавать фрукты, показывая ему яблоко и говоря, что это яблоко, таким образом машина учится распознавать и классифицировать данные. В неконтролируемом обучении метки отсутствуют, и машина пытается самостоятельно найти структуру или закономерности в данных. Это можно сравнить с попыткой ребёнка самостоятельно разгадать, что объединяет разные фрукты, без явных указаний со стороны взрослого.

Такой подход позволяет машинам адаптироваться к изменениям в данных или среде, продолжая эффективно функционировать даже при новых или непредвиденных условиях. Это делает машинное обучение мощным инструментом в таких областях, как распознавание образов, обработка естественного языка, медицинская диагностика и многих других, где системы способны не просто выполнять заданные инструкции, но и "учиться" на основе полученного опыта, совершенствуя свои навыки и повышая общую эффективность.

Данный подход предлагает возможности в различных областях, но как и любая технология, имеет свои плюсы и минусы.

Плюсы машинного обучения:

Адаптивность: способность адаптироваться к новым изменениям в данных, что делает их идеальными для динамично изменяющихся сред и требований.

Автоматизация процессов принятия решений: позволяет автоматизировать сложные процессы принятия решений, анализируя большие объемы данных и предоставляя предсказания или рекомендации без непосредственного участия человека.

Обработка и анализ больших данных: Способность эффективно обрабатывать и анализировать большие наборы данных открывает новые возможности для извлечения ценных знаний и закономерностей, которые могут быть неочевидны для человека.

Непрерывное обучение и улучшение: Модели могут постоянно обновляться и улучшаться по мере поступления новых данных, что повышает их точность и эффективность со временем.

Гибкость применения: может применяться в широком спектре областей, от автоматизации домашних задач до сложных проблем медицинской диагностики и финансового анализа.

Минусы машинного обучения:

Зависимость от данных: Качество и объем доступных данных напрямую влияют на эффективность моделей. Неполные, искаженные или предвзятые данные могут привести к неточным или предвзятым выводам.

Сложность интерпретации: Многие модели машинного обучения, особенно в области глубокого обучения, являются "черными ящиками", что затрудняет понимание того, как был сделан тот или иной вывод или предсказание.

Высокие требования к вычислительным ресурсам: Обучение сложных моделей, особенно с большими объемами данных, может потребовать значительных вычислительных мощностей и времени.

Проблемы с переобучением: Модели могут "переобучиться", слишком точно адаптировавшись к обучающим данным и потеряв способность генерализовать выводы на новых данных.

8.1.3 Подход на основе глубокого обучения

Глубокое обучение является одним из наиболее перспективных и активно развивающихся подходов к созданию искусственного интеллекта в современном мире. Этот метод вдохновлен человеческим мозгом и основан на принципах работы нейронных сетей, которые стараются имитировать механизмы, лежащие в основе человеческого мышления.

Суть глубокого обучения заключается в использовании многослойных структур, где каждый слой предназначен для извлечения определенных характеристик из данных. По мере прохождения информации через эти слои сложность выделяемых признаков увеличивается, позволяя системе создавать иерархические представления данных. Так, начиная с простейших краев и форм, система может постепенно формировать сложные образы, такие как лица или объекты.

Примером может служить применение глубокого обучения в области распознавания изображений. В прошлом, специалистам приходилось тщательно выбирать и проектировать признаки из изображений, такие как контуры или текстуры, чтобы машины могли идентифицировать объекты. С появлением глубокого обучения, нейронные сети могут автоматически "выучить" наиболее важные признаки из тысяч или даже миллионов изображений, значительно повышая точность распознавания.

Еще одной областью, где этот подход показал свою эффективность, является обработка естественного языка. Классические методы часто разбивали текст на отдельные слова или фразы и использовали сложные алгоритмы для анализа их структуры и семантики. Глубокое обучение, в свою очередь, может анализировать последовательности слов, учитывая контекст и семантические отношения, что позволяет создавать точные и естественные системы перевода, генерации текста и анализа.

Основное преимущество глубокого обучения перед другими подходами заключается в его способности автоматически находить и использовать наиболее релевантные признаки в данных без необходимости их предварительной разметки человеком.

Тем не менее, несмотря на все свои преимущества, глубокое обучение также имеет свои сложности. Оно требует значительных вычислительных ресурсов и больших объемов данных для обучения. Однако с развитием технологий и увеличением доступности вычислительных мощностей, этот подход становится все более доступным и широко применяемым в различных областях.

Современные достижения в данной области уже показали его потенциал в медицине, робототехнике, автомобильной индустрии и многих других сферах. Что позволяет решать задачи, которые ранее считались недостижимыми для машин. Вместе с этим глубокое обучение открывает перед исследователями новые горизонты и возможности, позволяя создавать системы, способные к более сложным и глубоким видам анализа данных. Возможно, глубокое обучение может стать ключом к созданию искусственного интеллекта будущего, который будет еще более мощным, гибким и способным к самостоятельному обучению.

8.1.4 Эволюционные алгоритмы и генетическое программирование

Эволюционные алгоритмы — это метаэвристические алгоритмы оптимизации, вдохновленные биологической эволюцией. Они используются для нахождения приближенных решений в сложных задачах оптимизации, где классические методы могут быть неэффективными.

В основе эволюционных алгоритмов лежат три ключевых принципа:

1. Изменчивость — это способность особей в популяции к изменению. В контексте эволюционных алгоритмов это проявляется через процессы мутации и скрещивания.

Мутация: Это процесс случайного изменения характеристик особи. Мутация внедряет новизну в популяцию, что может помочь алгоритму выйти из локальных оптимумов.

Скрещивание: Это процесс комбинирования характеристик двух особей для создания потомства. Через скрещивание полезные характеристики разных особей могут сочетаться, создавая новые, потенциально более приспособленные особи.

2. Наследственность обеспечивает передачу генетической информации от родителей к потомству. В контексте эволюционных алгоритмов, особи "наследуют" комбинацию характеристик своих родителей, что обеспечивает сохранение полезных характеристик в популяции.

3. Естественный отбор — это процесс, в результате которого наиболее приспособленные особи предпочтительно передают свою генетическую информацию следующему поколению. В эволюционных алгоритмах это достигается путем оценки функции приспособленности каждой особи. Те особи, которые имеют лучшие показатели приспособленности, имеют больший шанс быть выбранными для воспроизводства.

Генетическое программирование, будучи разновидностью эволюционных алгоритмов, фокусируется на автоматическом создании программ или функциональных блоков, которые решают конкретную задачу. Таким образом, вместо того чтобы ручным путем кодировать решение, генетическое программирование позволяет "эволюционировать" наиболее оптимальное решение, исследуя множество возможных вариантов.

В качестве примеров использования можно привести:

- Развитие игровых стратегий: В компьютерных играх, таких как Dota 2, генетические алгоритмы могут быть использованы для обучения нейронных сетей оптимальным стратегиям, позволяя искусственному интеллекту легко справляться с человеческими противниками или адаптироваться к их уровню.

-Управление роботами: В области робототехники, генетическое программирование может помочь в создании алгоритмов управления роботами, позволяя им адаптироваться к новым средам или выполнять сложные задачи без предварительного программирования.

- Оптимизация проектных решений: В сфере инженерии и проектирования, генетические алгоритмы могут помочь в автоматическом создании оптимальных проектов, будь то эффективные планировки зданий, распределение ресурсов или оптимизация производственных линий.

Главное преимущество генетического программирования и эволюционных алгоритмов заключается в их способности работать там, где традиционные математические методы могут быть неэффективными или слишком сложными. Это делает их идеальным инструментом для решения многих задач, связанных с ИИ.

8.1.5 Обучение с подкреплением и агентное обучение

Обучение с подкреплением и агентное обучение представляют собой одно из наиболее интригующих и многообещающих направлений в области ИИ. Эти методы, вдохновленные процессами обучения у живых существ, отличаются от традиционного обучения под 'присмотром' или без учителя. Вместо того чтобы просто учиться на основе предоставленных данных, агенты, обучающиеся с помощью подкрепления, опираются на интерактивный процесс, в ходе которого они принимают решения, получают обратную связь в виде вознаграждения или штрафа и корректируют свои стратегии на основе этой обратной связи.

Один из наиболее ярких примеров применения обучения с подкреплением — это AlphaGo от компании DeepMind. Эта система была обучена играть в древнюю и сложную игру Го, используя сочетание глубокого обучения и обучения с подкреплением. Интересно, что AlphaGo не просто изучал партии профессиональных игроков, но и соревновался сам с собой миллионы раз, учась на своих ошибках и успехах. В результате этого интенсивного процесса обучения система смогла победить чемпиона мира по Го, что ранее считалось практически невозможным для машины.

В автомобильной промышленности они используются для обучения автономных автомобилей. Вместо того чтобы просто следовать заранее запрограммированным маршрутам, автономные автомобили, обученные с использованием подкрепления, могут адаптироваться к новым условиям дорожного движения, учитывать поведение других участников движения и принимать решения на основе непредвиденных ситуаций.

Еще одной областью, где обучение с подкреплением показывает впечатляющие результаты, является создание автономных роботов. Вместо того чтобы программировать каждое движение робота, исследователи позволяют ему "исследовать" окружающую среду, пробовать различные стратегии и учиться на основе полученных результатов. Это может включать в себя обучение робота ходьбе, манипулированию предметами или выполнению сложных задач, таких как укладка посуды или сборка деталей.

Однако, несмотря на потенциал, обучение с подкреплением также сталкивается с рядом вызовов. Одной из проблем является необходимость в большом количестве итераций для обучения, что может быть ресурсоемким. Кроме того, настройка наград и штрафов таким образом, чтобы агент действительно учился тому, что от него требуется, и разумно балансировал между исследованием новых стратегий и эксплуатацией уже изученных, может быть сложной задачей. Тем не менее, учитывая успехи в этой области и продолжающиеся исследования, обучение с подкреплением и агентное обучение продолжают развиваться, обещая новые прорывы в создании интеллектуальных систем, способных самостоятельно принимать сложные решения в неопределенных условиях.

8.1.6 Гибридные системы: комбинация различных подходов

Гибридные системы приобрели популярность благодаря своей способности сочетать лучшие аспекты различных подходов к созданию ИИ. Они представляют собой комбинацию нескольких методологий и технологий, позволяя разработчикам извлекать выгоду из сильных сторон каждого подхода и минимизировать их ограничения.

Рассмотрим пример в медицинской диагностике. Когда врач сталкивается с неоднозначными симптомами у пациента, он может опираться на свой опыт и интуицию, а также на медицинскую литературу и базы данных. Гибридная система ИИ в этой ситуации может использовать символьное программирование для логической обработки знаний из медицинских учебников, глубокое обучение для анализа медицинских изображений и обучение с подкреплением для моделирования процесса принятия решений врача. Таким образом, вместо того чтобы полагаться только на один метод, система использует комбинированный подход, обеспечивая более высокую точность диагностики.

Также гибридные системы могут быть полезными в финансовом секторе. Финансовые рынки — это сложные системы, в которых традиционные алгоритмические методы могут работать в сочетании с методами машинного обучения для предсказания рыночных трендов или оценки рисков. В то время как символьное программирование может использоваться для определения строгих правил и политик, методы глубокого обучения могут анализировать большие объемы данных, такие как новостные статьи или социальные медиа, чтобы выявить скрытые закономерности или тренды.

Однако стоит учитывать, что создание гибридных систем требует глубокого понимания каждого используемого подхода. Разработчикам необходимо тщательно взвешивать преимущества и недостатки каждого метода, чтобы определить, как и когда их следует комбинировать. Несмотря на сложности, гибридные системы предлагают обещающую перспективу, позволяя создавать более мощные и адаптивные решения на основе ИИ, которые могут успешно справляться с разнообразными и сложными задачами.

8.1.7 Неоклассические подходы и новые тенденции в ИИ

Неоклассические подходы к ИИ часто базируются на идеях, которые отходят от традиционных методов, таких как символьное программирование или классическое машинное обучение. Они стремятся воссоздать интеллектуальные процессы, происходящие в человеческом мозгу, с помощью альтернативных моделей и методологий.

Один из ярких примеров неоклассического подхода - это создание когнитивных архитектур. Эти архитектуры пытаются воспроизвести человеческий процесс мышления путем моделирования различных когнитивных функций в интегрированной системе. Например, проект ACT-R, начавшийся в университете Carnegie Mellon, ставит перед собой задачу воссоздания человеческого мышления через комплексную когнитивную модель, которая может учиться и принимать решения в различных ситуациях.

Следует также упомянуть новую волну интереса к нейросетевым архитектурам, которые не просто имитируют структуру человеческого мозга, но и пытаются воспроизвести его работу на более глубоком уровне. Эти архитектуры исследуют, как человеческий мозг обрабатывает информацию, учится и адаптируется к новым условиям, и пытаются воссоздать эти процессы в машинном коде.

Кроме того, в последние годы наблюдается всплеск интереса к исследованию и созданию эмоционального интеллекта в машинах. Понимание и интерпретация человеческих эмоций становятся важным в разработке новых систем искусственного интеллекта, особенно в области человеко-машинного взаимодействия. Например, некоторые исследования направлены на создание роботов, способных распознавать и реагировать на эмоциональное состояние человека, что может быть полезно в медицине или психотерапии.

В заключение, неоклассические подходы и новые тенденции в ИИ расширяют горизонты возможного и позволяют создавать системы, которые еще более приближены к человеческому интеллекту. Эти методы и исследования оставляют за собой следующий вопрос: если мы продолжим двигаться в этом направлении, насколько близко мы сможем приблизиться к воссозданию человеческого разума в машине?

8.2 Для чего нам нужны знания о сходствах и различиях человеческого интеллекта и ИИ

С развитием технологий ИИ всё больше становится очевидным факт, что системы обладают фундаментально иными когнитивными качествами и способностями по сравнению с биологическими системами, в том числе человеческим мозгом. Это порождает ряд вопросов и предложений, среди которых стоит понимание, каковы преимущества и недостатки каждой системы, и как их можно использовать наиболее эффективно.

Понимание различий между человеком и машиной становится ключом к созданию оптимальной взаимодействующей системы. Искусственный интеллект может обрабатывать огромные объемы данных гораздо быстрее человека, предсказывать результаты на основе сложных алгоритмов и выполнять рутинные задачи без усталости. Тем временем человеческий интеллект выделяется способностью к креативному мышлению, интуиции, а также социальным взаимодействием.

Определение границ между человеческим решением и решением, принятым ИИ, становится необходимыми в современном обществе. На какие задачи можно полагаться ИИ, и в каких ситуациях необходимо вмешательство человека? Ответы на эти вопросы могут определить будущее многих профессий и, в широком смысле, даже социальную структуру общества.

Знание сходств и различий поможет нам также понять, стоит ли нам стремиться к созданию AI "партнёров" с человеческим уровнем интеллекта, или же сосредоточиться на дополнении и компенсации человеческих ограничений. Таким образом, чем больше мы узнаем о механизмах работы ИИ, тем лучше можем использовать его в свою пользу.

Кроме того, для эффективного сотрудничества между людьми и машинами важно развивать "Интеллектуальное Осознание" среди людей. Это осознание необходимо не только для специалистов, но и для широкой публики. Ведь искусственный интеллект становится частью нашей повседневной жизни, и чем больше мы понимаем его особенности, тем безопаснее и продуктивнее будет наше с ним взаимодействие.

Таким образом, знание о сходствах и различиях между человеческим интеллектом и машиной не только помогает нам лучше понимать свой мир, но и определяет, как мы будем строить своё будущее в эпоху технологических инноваций.

8.2.1 Нужен ли нам человекоподобный искусственный интеллект (AGI)?

С технологическим развитием общества возникает неизбежный вопрос: нужен ли нам общий искусственный интеллект, или AGI? Для ответа на этот вопрос важно понять, что такое AGI и какие его потенциальные преимущества и недостатки.

Искусственный общий интеллект или AGI относится к системам, которые способны автономно и эффективно достигать сложных целей в широком диапазоне сред, подобно человеческому разуму. Однако сразу стоит отметить, что большинство современных определений AGI основаны на антропоцентрическом(человек есть средоточие Вселенной) способе рассуждения, что может быть необоснованным.

Во-первых, понятие "человекоподобного" AGI может быть ошибочным. Человеческий интеллект - это всего лишь одна из множества форм интеллектуального поведения в природной среде. Насущный вопрос заключается в том, действительно ли нам нужен ИИ, который в точности копирует человеческий мозг, или же нам нужен интеллект, способный эффективно выполнять задачи, независимо от того, насколько он "человеческий"?

Во-вторых, применение AGI с большей степенью автономии требует глубокого понимания взаимодействия между человеком и машиной. Человеческий профессионал, работающий с AGI, должен иметь четкое представление о том, как ИИ "думает" и "действует", чтобы обеспечивать эффективное сотрудничество.

С другой стороны, AGI с потенциалом для истинного сотрудничества на основе общих целей и взаимопонимания может принести несомненные преимущества в различных отраслях. Например, сложные научные исследования, анализ больших данных или решение глобальных проблем, таких как изменение климата. В этих контекстах AGI может действовать быстрее и эффективнее, чем любой человек или команда специалистов.

Тем не менее, следует помнить о рисках. С развитием AGI появляется возможность, что такие системы могут стать настолько автономными, что будут действовать вне контроля человека. Кроме того, вопросы безопасности, приватности и этики становятся еще более актуальными с ростом возможностей AGI. Следует ли давать AGI право принимать решения, которые могут коснуться жизни и смерти?

В стремлении создать системы с человеческим интеллектом, мы предполагаем, что человеческий интеллект является истинной формой разума. Эта идея уже присутствует в самом названии "Искусственный интеллект", как будто он менее реален по сравнению с биологическим разумом. Мы знаем себя как наиболее разумные существа во вселенной и видим себя как сущности, способные решать сложные задачи, используя логику, опыт, интуицию и статистический анализ. Однако нам трудно принять мысль, что мы можем быть менее умными, чем думаем. С развитием искусственного интеллекта мы постоянно меняем наше понимание того, что такое истинный интеллект, ограничивая его только человеческими способностями.

Для того чтобы понять разницу между человеческим и искусственным интеллектом, следует учитывать три основные идеи:

Мы, возможно, не так умны, как считаем себя, когда речь идет о когнитивных задачах. Почему тогда столь активно стремимся к созданию искусственного интеллекта, похожего на человеческий?

Существует множество форм интеллекта, и общий интеллект не обязательно соответствует человеческому уровню интеллекта.

Часто нет необходимости в создании искусственного интеллекта общего назначения. Многие сложные задачи можно решить с помощью нескольких узко специализированных искусственных интеллектов.

Поэтому, возвращаясь к изначальному вопросу: действительно ли нам нужен AGI? Ответ на него неоднозначен. С одной стороны, AGI может принести невиданные преимущества в инновациях и прогрессе. С другой - стремление создать "человекоподобный" AGI может быть не только технически сложным, но и вызвать этические проблемы. А значит сначала нам нужно понять цели, которые мы ставим перед собой. Возможно, вместо создания "человеческого" AGI следует стремиться к разработке интеллектуальных систем, которые действуют в наилучших интересах человечества, не обязательно копируя нас в каждом аспекте.

8.2.2 Интеллект человека-разумного

Каков наш реальный уровень интеллекта? Ответ на этот вопрос во многом зависит от точки зрения, с которой мы рассматриваем эту проблему, а также от выбранных нами критериев и мерил интеллекта. Например, мы можем сравнить природу и способности человеческого интеллекта с другими животными. В таком сравнении мы выглядим очень умными. Благодаря нашей огромной способности к обучению, у нас есть самый широкий спектр когнитивных способностей для самостоятельного решения сложных проблем и достижения сложных целей. Таким образом, мы можем решать множество арифметических, концептуальных, пространственных, экономических, социально-организационных, политических и т. д. проблем. Получается по сравнению с другими известными нам животными, мы действительно можем считать человека высокоинтеллектуальным существом.

Но мы можем рассматривать наш интеллект не только с "относительной межвидовой" точки зрения, но и пытаться определить его в более абсолютных терминах. Например, рассматривая вычислительные возможности человеческого мозга как физическую систему. Среди ученых-исследователей ИИ преобладает мнение, что интеллект в конечном итоге сводится к информации и вычислениям. Теоретически, не существует физических законов, запрещающих создание физических систем с вычислительной мощностью и интеллектом, превосходящими человеческий мозг. Это означает, что машины однажды могут стать намного умнее нас. По сравнению с другими животными, наш интеллект высок, но в абсолютных терминах он может быть очень ограничен, особенно из-за ограниченного размера нашего мозга.

Чтобы лучше понять наш биологический интеллект, следует рассмотреть эволюцию наших биологических способностей к мышлению. Наш мозг, как биологическая нейронная сеть, прошел эволюционный процесс оптимизации более миллиарда лет. Он стал высокоэффективной системой для регулирования базовых биологических функций и выполнения задач восприятия и распознавания образов. На протяжении всей нашей эволюции нейронные сети мозга оптимизировались для выполнения этих базовых задач. Однако не следует забывать о высокой вычислительной сложности этих процессов. Например, когда мы завязываем шнурки, миллионы сигналов передаются через различные сенсорные системы нашего тела.Такие базовые способности развивались миллионы лет. Наши когнитивные способности начали развиваться гораздо позже в эволюции. Этот недавний слой человеческого достижения обязан "древним" нейронным механизмам, необходимым для выживания. Поэтому неудивительно, что наши способности к выполнению новых когнитивных функций все еще ограничены. Эти ограничения проявляются различными способами:

Мы можем осознанно обрабатывать ограниченное количество когнитивной информации.

Большинство когнитивных задач, таких как чтение или вычисления, требуют нашего полного внимания.

Хотя мы можем обрабатывать много информации параллельно, мы не можем одновременно выполнять когнитивные задачи, требующие размышлений.

Приобретенные когнитивные знания и навыки со временем ухудшаются гораздо быстрее, чем перцептивно-моторные навыки.

Наши ограниченные возможности обработки когнитивных задач - это не единственный фактор, определяющий нашу когнитивную интеллектуальность. Обработка когнитивной информации у людей проявляется в систематических искажениях. Это проявляется в когнитивных искажениях.

Когнитивные искажения - это систематические тенденции или склонности, которые искажают процессы обработки информации, делая их результат неточным или ошибочным. Многие из этих искажений проявляются почти одинаково в различных ситуациях принятия решений. Существует более 200 описанных когнитивных искажений. Большинство из них являются неосознаными и кажутся нам естественными, поэтому они часто называются "интуитивными" или "нерациональными". Однако такое искаженное мышление может приводить к менее оптимальным решениям.

Эти предвзятости в основном обусловлены свойствами мозга как нейронной сети. Например, боковое торможение(способность возбужденного нейрона снижать активность своих соседей) усиливает различия в нейронной активности, что полезно для перцептивно-моторных функций. Но "высшие" когнитивные функции, такие как концептуальное мышление или вероятностное рассуждение, появились относительно недавно в эволюции. Эти функции базируются на древних нейронных механизмах, что может приводить к искажениям в когнитивной обработке информации.

Поскольку многие из этих искажений основаны на нейронных или эволюционных процессах, простые методы, такие как тренировки или курсы по осознанности, вряд ли помогут в их устранении.

8.2.3 Разница между искусственным интеллектом и человеческим

Исследования (ИИ) часто ведутся с антропоцентричной точки зрения, где человеческий интеллект рассматривается как единственный и очевидный образец. Однако различия между машиной и человеческим интеллектом проявляются во многих аспектах.

Основная структура: Биологический интеллект, основанный на углероде, базируется на нейронном "живом оборудовании", который коренным образом отличается от искусственного интеллекта на базе кремния. В отличие от биологического «живого оборудования», в кремниевых или цифровых системах "аппаратные" и "программные" компоненты функционируют независимо друг от друга. Когда биологическая система осваивает новое умение, оно остается интегрированным в данную систему. В контрасте с этим, если система ИИ осваивает определенное умение, соответствующие алгоритмы могут быть скопированы во все аналогичные цифровые системы.

Скорость: Сигналы, передаваемые системами ИИ, распространяются практически со скоростью света. У человека скорость передачи сигнала нервных импульсов не превышает 120 м/с, что на порядки медленнее современных вычислительных систем.

Соединяемость и коммуникативные механизмы: Homo sapiens не обладает способностью к прямому информационному обмену. Коммуникативные процессы у людей реализуются посредством вербальных и невербальных каналов с ограниченной пропускной способностью. В контексте искусственного интеллекта такие процессы осуществляются с высокой эффективностью благодаря прямым связям, позволяя алгоритмам интегрироваться для совместной работы.

Обновляемость и масштабируемость: Алгоритмические системы практически лишены ограничений в плане их актуализации, масштабирования и переконфигурации. Это предоставляет им возможность поддерживать актуальные алгоритмические решения и соответствующие параметры обработки данных. Такое быстрое структурное преобразование и немедленное адаптивное улучшение являются прерогативой искусственных систем и не характерны для биологических объектов.

Энергетическая эффективность: В то же время, биологические системы обладают уникальной энергетической эффективностью нейронные структуры человеческого мозга демонстрируют поразительную энергоэффективность, превосходящую современные вычислительные устройства на несколько порядков. В качестве иллюстрации можно отметить, что энергопотребление человеческого мозга аналогично мощности небольшой лампочки, в то время как высокопроизводительные суперкомпьютеры требуют энергии, достаточной для обеспечения электроэнергией небольшого населенного пункта

Эти различия в базовой структуре, скорости, соединяемости и других аспектах ведут к существенным различиям в качествах и ограничениях человеческого и искусственного интеллекта. Осознание и понимание этих различий важно для успешного применения и интеграции ИИ в нашу повседневную жизнь.

Учебное издание

Безюков Олег Константинович, д-р техн. наук, проф.
Жуков Владимир Анатольевич, д-р техн. наук, доц.

Искуственный интеллект

Учебное пособие

198035, Санкт-Петербург, Межевой канал, 2
Тел.: (812) 748-97-19, 748-97-23
E-mail: izdat@gumrf.ru

Ответственный за выпуск

Редактор

Оригинал-макет

Подписано в печать 00.00.2024

Формат 6090/16. Бумага офсетная. Гарнитура Times New Roman
Усл. печ. л. 0,00. Тираж 00 (первый завод — 00) экз. Заказ № 000/24