Власть роботов. Как подготовиться к неизбежному - Мартин Форд
Шрифт:
Интервал:
Закладка:
Что касается обозримого будущего, то большинство исследователей интересует не столько реальное создание ИИ человеческого уровня, сколько путь к этой цели и многочисленные инновации, которые потребуются для успешного преодоления препятствий на этом пути. Разработка в полной мере мыслящей машины — это не умозрительный научный проект, а своего рода дорожная карта по созданию ИИ-систем, которые преодолеют сегодняшние ограничения и приобретут новые возможности. Движение по этому пути почти гарантированно породит множество практических приложений колоссальной коммерческой и научной ценности.
Именно сочетанием поиска практических инноваций в краткосрочной перспективе с намного более амбициозным стремлением создать машинный интеллект подлинно человеческого уровня характеризуется философия исследования разнообразных команд, работающих над ИИ в Google. Джефф Дин, директор компании по искусственному интеллекту, сказал мне, что если DeepMind, независимая компания, приобретенная Google в 2014 году, занимается поиском путей создания универсального машинного интеллекта по «структурированному плану», то другие исследовательские группы в Google придерживаются «более органического» подхода и заняты задачами, «важность которых мы осознаем, но пока не умеем их решать; когда же мы с ними справимся, то поймем, чем заняться дальше». Все группы по исследованию ИИ в Google, по его словам, «работают совместно, пытаясь создать по-настоящему гибкие ИИ-системы»[155]. Лишь время покажет, какой подход эффективнее: четкое планирование сверху вниз или пошаговое исследование неизведанного, но на обоих направлениях вероятно появление новых идей, которые можно будет использовать на практике.
У каждой команды, возглавляющей движение по этим путям, своя философия исследований и преодоления трудностей. Общим для всех них является то, что конечные цели «срисованы» со способностей, характерных для человеческого мышления.
Один из подходов состоит в использовании в качестве образца внутренней организации и работы человеческого головного мозга. Его сторонники считают, что искусственный интеллект должен напрямую обращаться к опыту нейробиологии. Лидером в этой области является DeepMind. Основатель и генеральный директор этой компании Демис Хассабис — что необычно для исследователя ИИ — получил высшее образование в области нейробиологии, а не вычислительной техники и защитил докторскую диссертацию в лондонском Юниверсити-колледже. Хассабис сказал мне, что самая большая группа исследователей в DeepMind состоит из специалистов по нейробиологии, занятых поиском способов применения новейших открытий науки о мозге в создании искусственного интеллекта[156].
Их задача не детальное копирование работы мозга, а использование базовых принципов его функционирования как отправной точки. Для объяснения этого подхода эксперты в области ИИ часто приводят аналогию с изучением механики полета и последующей разработкой конструкций современных самолетов. Хотя очевидно, что источником вдохновения для создания самолетов послужили птицы, самолеты не машут крыльями и не повторяют напрямую полет птицы. Когда инженеры разобрались в аэродинамике их полета, стало возможно строить машины на основе тех же базовых принципов, но намного более совершенные. Хассабис и команда из DeepMind верят в существование своего рода «аэродинамики интеллекта» — основополагающей теории, описывающей человеческий и, в перспективе, машинный интеллект.
Междисциплинарная команда DeepMind привела несколько убедительных свидетельств того, что подобный общий комплекс принципов действительно может существовать, опубликовав в мае 2018 года результаты своего исследования. Четырьмя годами раньше Нобелевская премия в области физиологии или медицины была вручена трем нейробиологам — Джону О’Кифу, Мэй-Бритт Мозер и Эдварду Мозеру — за открытие особого типа нейрона, обусловливающего ориентацию в пространстве у животных. Эти нервные клетки, названные нейронами решетки, возбуждаются, образуя регулярную гексагональную структуру, в процессе исследования животным пространства. Считается, что нейроны решетки составляют нечто вроде «внутреннего GPS», нейронного представления системы картирования, что позволяет животным ориентироваться в пространстве, прокладывая маршрут в сложном и непредсказуемом окружении.
DeepMind поставила вычислительный эксперимент: исследователи обучили мощную нейронную сеть на данных, моделировавших информацию о движении, которой пользуется животное, разыскивающее еду в темноте. Исследователи с удивлением обнаружили, что структуры, напоминающие нейроны решетки, «спонтанно возникли внутри сети — что поразительно напоминает паттерны активности нейронов, наблюдающиеся у разыскивающих еду млекопитающих»[157]. Иными словами, оказалось, что одна и та же базовая навигационная структура сама собой возникает в двух совершенно разных субстратах, биологическом и цифровом. Хассабис сказал мне, что считает это одним из самых поразительных прорывов, совершенных компанией. Похоже, что внутренняя система, использующая нейроны решетки, попросту представляет собой самый эффективный с точки зрения вычислений способ отображения навигационной информации в любой структуре, независимо от того, как именно она реализована[158]. Научная статья DeepMind, описывающая это исследование и опубликованная в журнале Nature[159], вызвала широкий отклик в сфере нейробиологии. Подобные открытия заставляют предположить, что междисциплинарный подход, которого придерживается эта компания, скорее всего, окажется улицей с двусторонним движением — исследователи ИИ будут не только учиться у мозга, но и способствовать его пониманию.
DeepMind внесла еще один важный вклад в нейробиологию в начале 2020 года, использовав свой опыт в области глубокого обучения для исследования работы дофаминовых нейронов в мозге[160]. Нейробиологи с 1990-х годов стали понимать, что эти особые нейроны предсказывают вероятное вознаграждение за выполнение животным определенного действия. Если реальная награда оказывается больше ожидаемой, то выделяется относительно больше дофамина. Если же результат отстает от ожиданий, это химическое вещество, дающее нам чувство благополучия, вырабатывается в меньшем количестве. Традиционное обучение с подкреплением у компьютерных систем устроено во многом так же — алгоритм делает прогноз и затем регулирует вознаграждение, исходя из разницы между ожидаемыми и действительными результатами. Исследователям из DeepMind удалось значительно усовершенствовать алгоритм обучения с подкреплением, сгенерировав распределение прогнозов вместо одного усредненного предсказания и затем корректируя вознаграждение в соответствии с ними. Затем компания совместно с группой исследователей из Гарварда проверила, происходит ли подобный процесс в головном мозге. Им удалось доказать, что мозг мышей действительно создает аналогичное распределение прогнозов: одни дофаминовые нейроны оценивают потенциальную награду более пессимистично, другие — более оптимистично. Иными словами, компания снова продемонстрировала наличие одного и того же базового механизма, обеспечивающего аналогичные результаты, в цифровом алгоритме и в биологическом мозге.
Исследования такого рода свидетельствуют о глубокой вере Хассабиса и его команды в обучение с подкреплением и об отношении к этому методу как к важнейшему элементу попыток приблизиться к более универсальному искусственному интеллекту. В этом плане они стоят особняком. Например, Ян Лекун из Facebook заявил, что отводит обучению с подкреплением второстепенную
