Эволюция ИИ: от Алана Тьюринга до ChatGPT
Искусственный интеллект становится все более востребованным. Он используется корпорациями, частными лицами. На разработку новых моделей ИИ тратятся десятки миллиардов долларов.
Правительства, политики обсуждают правила регулирования ИИ, ученые посвящают ему конференции, где рассказывают о рисках и возможностях искусственного интеллекта.
Собираются саммиты под эгидой ООН, создаются комитеты и институты, призванные изучать ИИ. Но в середине прошлого века о том, что искусственный интеллект станет одной из центральных тем в политике, бизнесе и науке, ученые не предполагали. История ИИ началась в конце 50-х годов двадцатого столетия.
Эволюция ИИ: от Алана Тьюринга и до ChatGPT
Зимой 1958 года 30-летний психолог по имени Фрэнк Розенблатт направлялся из Корнеллского университета в Управление военно-морских исследований в Вашингтоне, округ Колумбия, когда остановился выпить кофе с журналистом.
Розенблатт представил замечательное изобретение, которое на заре вычислительной техники вызвало настоящий переполох. По его словам, это была «первая машина, способная иметь оригинальную идею».
Детищем Розенблатта был «Персептрон» — программа, вдохновленная человеческими нейронами и работавшая на современном компьютере: пятитонном мейнфрейме IBM размером со стену. Скормите перцептрону стопку перфокарт, и он научится отличать отмеченные слева от отмеченных справа. Отложите на мгновение обыденность задачи; машина смогла научиться.
Розенблатт полагал, что наступила заря новой эры, и житель Нью-Йорка, очевидно, с этим согласился. «Это кажется нам первым серьезным конкурентом человеческого мозга», — написал журналист. Отвечая на вопрос, чего не может сделать персептрон, Розенблатт упомянул любовь, надежду и отчаяние. «Короче говоря, человеческая природа», — сказал он. «Если мы не понимаем сексуальное влечение человека, почему мы должны ожидать, что машина поймет это?»
Персептрон был создан на основе человеческих нейронов
Персептрон был первой нейронной сетью, рудиментарной версией гораздо более сложных «глубоких» нейронных сетей, лежащих в основе большей части современного искусственного интеллекта (ИИ).
Но спустя почти 70 лет у человеческого мозга все еще нет серьезного соперника. «Сегодня у нас есть искусственные попугаи», — говорит профессор Марк Джиролами, главный научный сотрудник Института Алана Тьюринга в Лондоне. «Это само по себе фантастическое достижение, оно даст нам отличные инструменты на благо человечества, но давайте не будем сбегать с самим собой».
В истории ИИ, по крайней мере в том виде, в котором она написана сегодня, нет недостатка в создателях. Розенблатта иногда называют отцом глубокого обучения, и этот титул разделяют еще три человека. Алан Тьюринг, военный взломщик кодов в Блетчли-парке и основатель компьютерных наук, считается отцом искусственного интеллекта . Он был одним из первых, кто серьезно отнесся к идее о том, что компьютеры могут думать.
В докладе «Интеллектуальные машины» 1948 года Тьюринг исследовал, как машины могут имитировать разумное поведение. Один из путей к «мыслящей машине», размышлял он, — это замена частей человека машинами: камеры вместо глаз, микрофоны вместо ушей и «некий вид электронного мозга». Чтобы разобраться во всем самостоятельно, машине «нужно разрешить бродить по сельской местности», пошутил Тьюринг. «Опасность для рядового гражданина будет серьезной», — отметил он, отвергнув эту идею как слишком медленную и непрактичную.
Но многие идеи Тьюринга прижились. По его словам, машины могут учиться так же, как учатся дети, с помощью поощрений и наказаний. Некоторые машины могли модифицировать себя, переписывая собственный код. Сегодня машинное обучение, вознаграждение и модификации являются базовыми концепциями искусственного интеллекта.
В качестве средства оценки прогресса в направлении мыслящих машин Тьюринг предложил игру в имитацию , широко известную как тест Тьюринга, которая основана на том, может ли человек различить, исходит ли набор письменных сообщений от человека или от машины.
По словам Джиролами, Тьюринг внес еще один огромный вклад в развитие искусственного интеллекта, который часто упускают из виду. Рассекреченная статья , написанная во времена ученого в Блетчли-Парке, показывает, как он использовал метод, называемый байесовской статистикой, для декодирования зашифрованных сообщений. Слово за словом Тьюринг и его команда использовали статистику, чтобы ответить на такие вопросы, как: «Какова вероятность того, что это конкретное немецкое слово породило этот зашифрованный набор букв?»
Похожий байесовский подход теперь позволяет программам генеративного искусственного интеллекта создавать эссе, произведения искусства и изображения людей, которых никогда не существовало. «За последние 70 лет в области байесовской статистики существовала целая параллельная вселенная, которая полностью позволила создать генеративный искусственный интеллект, который мы видим сегодня, и мы можем проследить это вплоть до работы Тьюринга над шифрованием», — говорит Джиролами.
Термин «искусственный интеллект» появился только в 1955 году
Термин «искусственный интеллект» появился только в 1955 году. Джон Маккарти, ученый-компьютерщик из Дартмутского колледжа в Нью-Гемпшире, использовал эту фразу в предложении о проведении летней школы. Он был чрезвычайно оптимистичен в отношении перспектив прогресса.
«Мы думаем, что можно добиться значительного прогресса… если тщательно отобранная группа ученых будет работать над этим вместе в течение лета», — написал он.
«Это послевоенный период», — говорит доктор Джонни Пенн, доцент кафедры этики ИИ в Кембриджском университете. «Правительство США считало, что ядерное оружие позволило выиграть войну. Таким образом, наука и технологии не могли быть на более высоком уровне».
В действительности, собравшиеся добились незначительного прогресса. Тем не менее, исследователи погрузились в золотой век создания программ и датчиков, которые позволили компьютерам воспринимать окружающую среду и реагировать на нее, решать проблемы и планировать задачи, а также работать с человеческим языком.
Компьютеризированные роботы выполняли команды, сделанные на простом английском языке, на неуклюжих мониторах с электронно-лучевой трубкой, а в лабораториях демонстрировались роботы, которые катались вокруг, натыкаясь на столы и шкафы для документов.
В 1970 году в интервью журналу Life Марвин Мински из Массачусетского технологического института, выдающийся деятель в области искусственного интеллекта, сказал, что через три-восемь лет в мире появится машина с общим интеллектом среднего человека. Он сможет читать Шекспира, смазывать машину, рассказывать анекдоты, играть в офисную политику и даже драться. Через несколько месяцев, если он научится, его силы станут «неисчислимыми».
Пузырь лопнул в 1970-х годах. В Великобритании выдающийся математик сэр Джеймс Лайтхилл написал резкий отчет о скудном прогрессе в области искусственного интеллекта, что привело к немедленному сокращению финансирования.
Возрождение пришло с появлением новой волны учёных, которые увидели в знаниях решение проблем ИИ.
Они стремились закодировать человеческий опыт непосредственно в компьютерах. Самым амбициозным (хотя использовались и другие слова) был Cyc. Оно было призвано владеть всеми знаниями, которыми образованный человек пользовался в своей повседневной жизни.
Это означало массовое программирование, но заставить экспертов объяснить, как они принимают решения, и закодировать информацию в компьютер, оказалось гораздо сложнее, чем предполагали ученые.
Однако искусственный интеллект двадцатого века добился заметных успехов. В 1997 году IBM Deep Blue обыграла шахматного гроссмейстера Гарри Каспарова. Конкурс попал в заголовки мировых новостей, а журнал Newsweek объявил «Последний бой мозга».
Во время игры Deep Blue сканировал 200 метров позиций в секунду и просматривал почти на 80 ходов вперед. Вспоминая конкурс, Каспаров сказал, что машина «играла как бог».
Со времен Deep Blue самые примечательные прорывы в области искусственного интеллекта были связаны с совершенно другим подходом, который восходит к Розенблатту и его перцептрону, сортирующему карты. Простые однослойные нейронные сети, основанные на перцептроне, оказались не очень полезными: существовали фундаментальные ограничения на то, чего они могли достичь. Но исследователи знали, что многослойные нейронные сети будут гораздо более эффективными. Что делало их недоступными, так это отсутствие компьютерной мощности и какого-либо понимания того, как их обучать.
Прорыв произошел в 1986 году, когда исследователи, в том числе Джеффри Хинтон из Университета Карнеги-Меллон, разработали «обратное распространение ошибки» как способ обучения сетей. Вместо отдельных «нейронов», общающихся со своими соседями, теперь могли общаться друг с другом целые слои.
Этот прорыв снова привлек внимание к нейронным сетям, но исследователям снова помешала нехватка вычислительных мощностей и данных. Ситуация изменилась в 2000-х годах с появлением более мощных процессоров, особенно графических процессоров для видеоигр, и огромных объемов данных благодаря Интернету, полному слов, изображений и аудио.
Еще один шаг вперед произошел в 2012 году, когда ученые продемонстрировали, что построение «глубоких» нейронных сетей – с большим количеством слоев – является чрезвычайно мощным инструментом. Хинтон и другие представили AlexNet, восьмиуровневую сеть, содержащую около 10 000 нейронов, которая победила соперников в конкурсе ImageNet, международном соревновании, в котором ИИ бросает вызов распознаванию изображений из миллионов баз данных.
После AlexNet достижения стали интенсивными и быстрыми. Компания DeepMind компании Google , основанная в 2010 году с миссией «решения проблемы интеллекта», представила алгоритм, который научился играть в классические игры Atari с нуля.
Методом проб и ошибок он обнаружил, как одержать победу в Breakout, пробив канал в одной стороне стены и отправив мяч в пространство позади. Другой алгоритм DeepMind, AlphaGo, победил чемпиона по го Ли Седоля в китайской настольной игре. С тех пор фирма выпустила AlphaFold. Узнав, как форма белков связана с их химическим составом, она предсказала трехмерные структуры еще на 200 м, что составляет почти каждый белок, известный науке. Сейчас эти структуры стимулируют новую волну медицинской науки.
Новые мощные инструменты, примером которых является ChaptGPT OpenAI, выпущенный в 2022 году, названы в честь их мастерства при создании: эссе, стихи, письма с заявлениями о приеме на работу, произведения искусства, фильмы, классическая музыка.
GPT OpenAI – что означает «генеративный предварительно обученный преобразователь» – и подобные модели на большом языке могут генерировать длинные и беглые, хотя и не всегда полностью надежные, отрывки текста. Обучившись на огромных объемах данных, включая большую часть текста в Интернете, они изучают особенности языка, которые ускользали от предыдущих алгоритмов.
«Это шаг вперед. Это настоящий технологический переломный момент», — говорит Майкл Вулдридж, профессор информатики Оксфордского университета и автор книги «Дорога к сознательным машинам» . «Очевидно, что Google не заметил потенциала. Мне трудно поверить, что они опубликовали бы эту статью, если бы понимали, что это будет самая значимая разработка в области ИИ, которую мы когда-либо видели».
Но революция имеет свою цену. Модели обучения, такие как ChatGPT, требуют огромных вычислительных мощностей, а выбросы углерода огромны. Генеративный ИИ поставил нас на путь столкновения с климатическим кризисом, говорят ученые. И неизвестно, какие риски он в себе содержит, и не станет ли он Скайнет?
Подпишись на Tелеграм канал! Будь в курсе последних новостей криптомира. Не пропустить грядущий бычий цикл в крипте. Регулярная БЕСПЛАТНАЯ АНАЛИТИКА. Для всех подписчиков сообщества! Переходи по ссылке прямо сейчас!
Автор: Вадим Груздев, аналитик Freedman Сlub Crypto News
