Когда вы предлагаете компьютеру сыграть шахматную партию, взаимодействовать с умным помощником, ввести вопрос в ChatGPT или создать произведение искусства в DALL-E, вы взаимодействуете с программой, которую ученые-компьютерщики классифицируют как искусственный интеллект.
Но определение искусственного интеллекта может оказаться сложным, особенно когда в него добавляются другие термины, такие как "робототехника" и "машинное обучение". Чтобы помочь вам понять, как эти различные области и термины связаны друг с другом, мы составили краткое руководство.
Что такое хорошее определение искусственного интеллекта?
Искусственный интеллект - это область исследований, подобно химии или физике, зародившаяся в 1956 году.
"Искусственный интеллект - это наука и инженерия о создании машин с человекоподобными характеристиками в том, как они видят мир, как они двигаются, как они играют в игры, даже как они учатся", - говорит Даниэла Рус, директор лаборатории компьютерных наук и искусственного интеллекта (CSAIL) в Массачусетском технологическом институте. "Искусственный интеллект состоит из множества компонентов, и существуют всевозможные алгоритмы, которые решают различные проблемы в искусственном интеллекте".
Люди склонны смешивать искусственный интеллект с робототехникой и машинным обучением, но это отдельные, смежные области, каждая из которых имеет свою направленность. Как правило, машинное обучение относят к искусственному интеллекту, но это не всегда так.
"Искусственный интеллект - это принятие решений для машин. Робототехника - это приведение вычислений в движение. А машинное обучение - это использование данных для составления прогнозов о том, что может произойти в будущем или что должна делать система", - добавляет Рус. "ИИ - это широкая область. Речь идет о принятии решений. Можно принимать решения с помощью обучения, а можно - с помощью моделей".
Генераторы ИИ, такие как ChatGPT и DALL-E, являются программами машинного обучения, но область ИИ охватывает гораздо больше, чем просто машинное обучение, и машинное обучение не полностью содержится в ИИ. "Машинное обучение - это подобласть ИИ. Оно как бы разделяет статистику и более широкую область искусственного интеллекта", - говорит Рус.
Как ИИ связан с машинным обучением и робототехникой?
Усложняет ситуацию то, что для решения проблем в ИИ могут использоваться алгоритмы не машинного обучения. Например, компьютер может играть в игру "Крестики-нолики" с помощью алгоритма немашинного обучения под названием минимаксная оптимизация. "Это прямой алгоритм. Вы строите дерево решений и начинаете перемещаться. В этом алгоритме нет обучения, нет данных", - говорит Рус. Но это все равно одна из форм искусственного интеллекта".
В 1997 году алгоритм Deep Blue, который IBM использовала для победы над Гари Каспаровым, был искусственным интеллектом, но не машинным обучением, поскольку он не использовал данные игрового процесса. "Рассуждения программы были сделаны вручную", - говорит Рус. "В то время как AlphaGo [новая программа для игры в шахматы] использовала машинное обучение для разработки своих правил и решений о том, как двигаться".
Когда роботам приходится передвигаться по миру, они должны понимать, что их окружает. Именно здесь на помощь приходит искусственный интеллект: Они должны видеть, где находятся препятствия, и разрабатывать план, как добраться из точки А в точку Б.
"Есть способы, с помощью которых роботы используют такие модели, как ньютоновская механика, например, чтобы понять, как двигаться, как не упасть, как схватить предмет, не уронив его", - говорит Рус. "Если роботу нужно спланировать путь из точки А в точку Б, он может посмотреть на геометрию пространства, а затем придумать, как провести линию, которая не столкнется ни с какими препятствиями, и следовать по этой линии". Это пример того, как компьютер принимает решения, не используя машинное обучение, поскольку оно не основывается на данных.
Возьмем, к примеру, обучение робота вождению автомобиля. В решении, основанном на машинном обучении, для обучения робота выполнению этой задачи, например, робот может наблюдать за тем, как люди управляют автомобилем или проходят поворот. Он научится поворачивать руль либо немного, либо много в зависимости от того, насколько неглубок поворот. Для сравнения, в решении для обучения вождению без применения машин робот просто смотрит на геометрию дороги, учитывает динамику автомобиля и использует это для расчета угла, на который нужно повернуть руль, чтобы удержать машину на дороге, не отклоняясь от курса. И то, и другое - примеры работы искусственного интеллекта.
"В случае с моделью вы смотрите на геометрию, думаете о физике и вычисляете, каким должно быть управление. В случае с машинным обучением на основе данных вы смотрите на то, что сделал человек, запоминаете это, и в будущем, когда вы столкнетесь с похожей ситуацией, вы сможете поступить так же, как человек", - говорит Рус. "Но и то, и другое - это решения, которые заставляют роботов принимать решения и двигаться в мире".
Не могли бы вы подробнее рассказать о том, как работает машинное обучение?
"Когда вы занимаетесь машинным обучением на основе данных, которое люди приравнивают к ИИ, ситуация совсем другая", - говорит Рус. "Машинное обучение использует данные для того, чтобы определить веса и параметры огромной сети, называемой искусственной нейронной сетью".
Машинное обучение, как следует из названия, представляет собой идею обучения программного обеспечения на основе данных, в отличие от программного обеспечения, которое просто следует правилам, написанным человеком.
"Большинство алгоритмов машинного обучения на каком-то уровне просто вычисляют кучу статистических данных, - говорит Раид Гани, профессор кафедры машинного обучения Университета Карнеги-Меллон. До появления машинного обучения, если вы хотели, чтобы компьютер обнаружил объект, вам приходилось описывать его в утомительных деталях. Например, если вы хотите, чтобы компьютерное зрение определило знак "Стоп", вам придется написать код, описывающий цвет, форму и специфические черты на лицевой стороне знака.
"Люди думали, что описание будет исчерпывающим. Главное изменение, которое произошло в машинном обучении, заключается в том, что люди стали лучше приводить примеры вещей", - говорит Гани. "Код, который писали люди, не описывал знак "Стоп", а различал вещи категории А и категории Б [знак "Стоп" и знак "Уступи дорогу", например]. А затем компьютер вычислял эти различия, что было более эффективно".
Стоит ли беспокоиться о том, что искусственный интеллект превзойдет человеческий?
Короткий ответ, прямо сейчас: Нет.
Сегодня ИИ очень узок в своих возможностях и способен делать конкретные вещи. "ИИ, созданный для игры в очень специфические игры или распознавания определенных вещей, может делать только это. Он не может делать что-то еще очень хорошо", - говорит Гани. "Поэтому для каждой задачи приходится разрабатывать новую систему".
В каком-то смысле, говорит Рус, исследования в области ИИ используются для разработки инструментов, но не тех, которые можно автономно использовать в мире. ChatGPT, отмечает она, впечатляет, но это не всегда правильно. "Это такие инструменты, которые приносят людям озарения, предложения и идеи, чтобы они могли действовать", - говорит она. "И эти выводы, предложения и идеи не являются окончательным ответом".
Кроме того, Гани говорит, что хотя эти системы "кажутся интеллектуальными", все, что они на самом деле делают, это рассматривают закономерности. "Они просто закодированы на то, чтобы собирать вместе вещи, которые уже встречались в прошлом, и соединять их по-новому". Компьютер сам по себе не узнает, что падать - это плохо. Он должен получить обратную связь от человека-программиста, который скажет ему, что это плохо.
Кроме того, алгоритмы машинного обучения могут быть ленивыми. Например, представьте, что вы даете системе изображения мужчин, женщин и небинарных личностей и просите ее провести различие между ними. Она найдет отличия, но не обязательно те, которые являются значимыми или важными. Если все мужчины одеты в одежду одного цвета, или все фотографии женщин сделаны на фоне одного цвета, то цвета будут теми характеристиками, на которые обратят внимание эти системы.
"Это не умно, это, по сути, говорит: "Вы попросили меня отличить три множества. Самым ленивым способом отличить была эта характеристика", - говорит Гани. Кроме того, некоторые системы "спроектированы так, чтобы давать ответы большинства из интернета на многие из этих вопросов. Это не то, чего мы хотим в мире - принимать ответ большинства, который обычно является расистским и сексистским".
По его мнению, еще предстоит проделать большую работу по настройке алгоритмов для конкретных случаев использования, сделать понятным для людей, как модель достигает определенных результатов на основе предоставленных ей исходных данных, а также работать над обеспечением справедливости и точности входных данных.
Что ждет ИИ в следующем десятилетии?
Компьютерные алгоритмы умеют воспринимать большие объемы информации и синтезировать ее, в то время как люди умеют просматривать несколько вещей за один раз. В связи с этим компьютеры, по понятным причинам, лучше справляются с просмотром миллиарда документов и выявлением повторяющихся фактов или закономерностей. Но люди способны просмотреть один документ, уловить мелкие детали и осмыслить их.
"Я думаю, что одна из вещей, которую слишком преувеличивают, - это автономность ИИ, работающего самостоятельно в неконтролируемой среде, где также находятся люди, - говорит Гани. В очень контролируемых условиях - например, при определении цены на продукты питания в определенном диапазоне, исходя из конечной цели оптимизации прибыли - ИИ работает очень хорошо. Однако сотрудничество с людьми по-прежнему важно, и в ближайшие десятилетия, по его прогнозам, в этой области будет много достижений в области систем, созданных для совместной работы.
Хорошим примером, по его словам, являются исследования по поиску лекарств. Люди по-прежнему выполняют большую часть работы по лабораторному тестированию, а компьютер просто использует машинное обучение, чтобы помочь им определить приоритеты в проведении экспериментов и изучении взаимодействий.
"[Алгоритмы ИИ] могут делать действительно необычные вещи гораздо быстрее, чем мы. Но думать об этом нужно так: это инструменты, которые должны дополнить и улучшить то, как мы работаем", - говорит Рус. "И как любые другие инструменты, эти решения не являются по своей сути хорошими или плохими. Они являются тем, что мы решаем с ними делать".