Воображаемая жизнь (ЛП) - Трефил Джеймс
Как же всё изменилось! В 1965 году американский инженер Гордон Мур, один из основателей Intel, сделал наблюдение, которое стало известно как закон Мура: в целом, любой из показателей производительности компьютера, вроде количества транзисторов, которые можно разместить на чипе, будет удваиваться каждые два года. Позже было высказано предположение, что производительность компьютера может удваиваться каждые 18 месяцев. За десятилетия, прошедшие с момента его формулировки, закон Мура подтверждался даже тогда, когда технологии менялись — от транзисторов к интегральным схемам и микрочипам.
Важно понимать, что «закон» Мура не является законом природы, подобным закону всемирного тяготения Ньютона. Это просто наблюдение и руководство к действию, аналогичное закону Мерфи (если что-то может пойти не так, всё именно так и случится). Более того, можно утверждать, что закон Мура не может продолжать действовать вечно — рано или поздно вам придётся иметь дело с эквивалентом транзистора размером меньше атома или молекулы. Это кажется невозможным, хотя стоит отметить, что некоторые специалисты по вычислительной технике пытаются разработать системы, которые хранят информацию на отдельных молекулах.
В любом случае закон Мура естественным образом заставляет нас задуматься о двух возможных событиях в будущем. Одно из них — это тот момент, когда мы можем разместить на чипе столько же транзисторов, сколько есть нейронов в человеческом мозге (считается, что их около 100 миллиардов). Назовём его «точкой нейронной эквивалентности». Второе (и более важное) событие — это момент, когда машины достигают уровня интеллекта, эквивалентного интеллекту, которым обладают люди, и вдобавок приобретают способность совершенствоваться. Это состояние называется технологической сингулярностью, и оно было предметом долгих размышлений и анализа.
Пока закон Мура неотвратимо продвигался вперёд, изменилась сама сущность компьютеров. Вместо того, чтобы быть описанными выше возвеличенными пишущими машинками, неспособными выходить за рамки инструкций, вводимых в них операторами-людьми, они приобрели способность к самостоятельному обучению без присмотра человека. Методы, которые позволяют им делать это, называются машинным обучением и искусственным интеллектом (ИИ).
Вот простой пример того, как работают подобные методы: предположим, вы хотите, чтобы ваш компьютер считывал написанные от руки адреса на конвертах — задача, важность которой очевидна для организации вроде Почтовой службы США. Одним из примеров способностей, требуемых от машины, было бы распознавание буквы «е». Один из способов научить компьютер делать это — написать букву «е» на листе бумаги, а затем компьютер наложит на неё сетку в электронной форме. Каждый из квадратов в сетке — технически обозначаемый как «элемент изображения» или пиксель — будет пустым (если он находится не там, где напечатана буква), тёмным (если он находится в напечатанной области) или чем-то средним (если в нём находится край буквы). Тем самым компьютер может преобразовать изображение буквы на листе бумаги в строку чисел, причем каждое число описывает оттенок одного пикселя.
После того, как компьютер «прочитал» серию светлых и тёмных пикселей и задействовал алгоритм принятия решения о том, соответствуют ли они букве «e», кто-то (или что-то) сообщает ему, успешно ли он осуществил идентификацию. Как правило, этот процесс повторяется на многих листах бумаги, на каждом из которых начертание «е» отличается от других — печатная буква, курсив, готический шрифт и так далее — и каждый раз алгоритм решает, присутствует ли там буква «e». В итоге в определённом проценте случаев он примет правильное решение. Предположим чисто теоретически, что при испытательном запуске успешность составляет 70 процентов — то есть, алгоритм правильно определил букву «e» на 70 процентах изученных листов. Теперь компьютер обновляет свой алгоритм. Он может, например, изменить способ сравнения результатов с разных пикселей, придавая меньшее значение тем, которые находятся ближе к краю бумаги. Затем он ещё раз полностью повторяет этот процесс. Если процент успеха увеличивается, он сохраняет изменения в алгоритме; если нет — возвращается к исходному. Компьютер будет так или иначе продолжать пробовать различные изменения в алгоритме, всегда отдавая предпочтение тем, которые дают более правильное распознавание. В итоге система станет показывать высокий процент успеха, и в этот момент мы скажем, что она «обучилась».
Существуют разного рода навороты и прибамбасы, которые можно ввести в процесс такого рода. Например, машина может скремблировать инструкции из разных программ — по сути, «выводить» новые алгоритмы. После этого самые успешные вновь «скрещиваются», чтобы создавать ещё более успешные программы в странном подобии биологического естественного отбора. Этот метод так называемого эволюционного алгоритма является всего лишь одним из способов ведения разработки программ искусственного интеллекта.
В последнее время описанный выше примитивный вариант развития искусственного интеллекта был усовершенствован до такой степени, что машины обучаются выполнять очень сложные операции — например, распознавать человеческие лица, или управлять беспилотным автомобилем. В литературе можно найти множество прогнозов в отношении того, что эти новоприобретённые способности будут означать для человеческой жизни и занятости в будущем. Однако один из аспектов искусственного интеллекта, который для наших целей важнее всех остальных, заключается в том, что, как только программа начинает свой процесс обучения, ей уже не требуется никаких дополнительных инструкций от человека. В принципе, когда используются сложные программы, люди почти наверняка не будут знать, что сделала машина. Программа становится, по сути, «чёрным ящиком». Этот аспект искусственного интеллекта дал начало области исследований, которую мы можем назвать компьютерной психологией — в этом случае люди пытаются понять, каким путём машина пришла к представленному ею конечному результату.
Отделение процесса модификации алгоритма от контроля и понимания его человеком как раз и является источником концепции искусственной жизни. Эта утрата контроля порождает также мрачные видения будущего под управлением компьютеров, где компьютеры обычно предстают в виде роботов. Именно это является поводом для размышлений об упомянутой выше технологической сингулярности, о том моменте, когда компьютеры становятся такими же «разумными», как и люди, и приобретают способность самосовершенствоваться без контроля со стороны человека.
Однако отбросьте шумиху — и окажется, что опасения по поводу технологической сингулярности вращаются вокруг допущения о том, что существует нечто под названием разум, и что машины, как только овладеют им в достаточной степени, станут механическими версиями человеческих существ. Это, в свою очередь, проистекает из другого (обычно подразумеваемого негласно) предположения: человеческий мозг — это не что иное, как особо совершенный компьютер. Аргументами за и против этого утверждения наполнено множество книг и множество страниц научных журналов. Например, в своей книге «Новый ум короля» физик-теоретик Оксфордского университета Роджер Пенроуз погружается в абстракции современной математики, чтобы доказать, что человеческий мозг способен выполнять операции, которые даже в принципе не могут быть выполнены компьютером.
Таким образом, мы можем вкратце охарактеризовать различия между человеческим мозгом и компьютером (далее мы обсудим это более подробно):
• Мозг может легко делать то, что трудно сделать компьютеру, и наоборот.
• Скорость работы нейронов измеряется миллисекундами; скорость работы транзисторов измеряется наносекундами — это в миллион раз быстрее.
• У мозга электрическое и химическое управление, у компьютера — только электрическое.
Мозг очень хорошо справляется с такими задачами, как выявление закономерностей и оценка контекста произносимых слов — это задачи, которые нелегко даются компьютерам. С другой стороны, где-то есть такой компьютер, который знает всех людей, которые завтра полетят самолётами United Airlines, чего не смог бы сделать ни один человек. Мозг и компьютер хорошо справляются с решением разных задач. В результате вместе они образуют хорошую команду.
