Почему нельзя путать человеческий и машинный интеллект

Нам уже привычно слышать такие фразы, как «машинное обучение» и «искусственный интеллект». Мы думаем, что кто-то сумел воспроизвести человеческий ум внутри компьютера. Это, конечно, неправда. Но частично причина, по которой эта идея так распространена, объясняется тем, что метафора человеческого обучения и интеллекта была весьма полезна для объяснения машинного обучения и искусственного интеллекта. Некоторые исследователи искусственного интеллекта поддерживают тесный контакт с сообществом нейробиологов, и вдохновение проходит в обоих направлениях.

Однако та метафора может быть помехой для людей, которые пытаются объяснить машинного обучение тем, кто знаком с ним меньше. Один из самых больших рисков объединения человеческого и машинного интеллекта заключается в том, что мы начинаем передавать слишком много прав машинам. Но для тех из нас, кто работает с программным обеспечением, важно помнить, что интеллектуальным агентом остается именно человек — человек, который строит эти системы, в конце концов.

Стоит провести ключевые различия между машинным и человеческим интеллектом. Несмотря на то, что сходства, конечно, есть, вглядываясь в различия мы могли бы лучше понять, как работает искусственный интеллект и как нам строить и использовать его максимально эффективным образом.

Центральное место в метафоре, которая связывает человеческое и машинное обучение, это концепция нейросети. Самое большое различие между мозгом человека и искусственной нейросетью — это масштабы нейронных сетей мозга. Важно не просто количество нейронов в мозге (которое исчисляется миллиардами), но и поразительное количество связей между ними.

Однако проблема уходит глубже, чем просто в вопросы масштаба. Человеческий мозг качественно отличается от искусственной нейронной сети по двум другим важным причинам: соединения, которые его питают, аналоговые, а не цифровые, а сами нейроны неоднородны и неравномерны (в отличие от искусственной нейросети).

Вот почему мозг такой сложный. Даже самая сложная искусственная нейросеть, хотя ее порой бывает сложно понять, имеет нижележащую архитектуру и принципы, которыми руководствуется. По крайней мере, нам бы этого хотелось, поэтому мы к этому стремимся.

Даже самые сложные нейросети с искусственным интеллектом проектируются с определенной целью и для достижения определенного результата. Но человеческий мозг не имеет такой же степени целенаправленности в своем проекте. Да, у него есть принципы самосохранения и прочее, но он все равно требует от нас критического мышления и творческого подхода, которые запрограммировать пока не получается.
 

Ирония заключается в том, что системы искусственного интеллекта намного проще, чем человеческий мозг, что позволяет ИИ справляться с гораздо большей вычислительной сложностью, чем можем мы.

Нейросети искусственного интеллекта могут хранить гораздо больше информации и данных, чем человеческий мозг, в основном из-за типа данных, которые хранятся и обрабатываются нейронной сетью. Они дискретны и конкретны, как содержимое таблиц Excel.

В мозге человека данные не имеют такого же свойства дискретности. Поэтому, хоть искусственная нейронная сеть может обрабатывать конкретные данные, она не может обрабатывать информацию в богатой и многомерной манере, как это делает человеческий мозг. Это ключевое различие между спроектированной системой и человеческим мозгом.

Несмотря на годы исследований, человеческий мозг остается непонятным во многом. Это связано с тем, что аналоговые синаптические связи между нейронами почти непроницаемы для цифровых соединений в искусственной нейронной сети.
 

Рассмотрим, что это означает на практике. Относительная простота ИИ позволяет очень быстро выполнить сложную задачу и очень хорошо. Мозг человека просто не может обрабатывать данные с такой скоростью, если, например, переводит речь в текст или обрабатывает огромный набор онкологических отчетов.

Для ИИ в этих контекстах важно то, что он разбивает данные и информацию на крошечные составляющие. Например, он может разбить звуки на фонетические части, которые затем будут переведены в полные предложения,  либо разбить изображения на кусочки, чтобы понять правила, по которым образуются большие картины.

Люди зачастую делают подобное, и здесь машинное обучение напоминает человеческое; как и алгоритмы, люди разбивают данные или информацию на небольшие части, чтобы обрабатывать ее.

Но есть причина этого сходства. Процесс разбивки разрабатывается в каждой нейронной сети инженером-человеком. Более того, процесс проектирования обычно зиждется на проблеме, предпосылке. То, как система искусственного интеллекта разбивает набор данных, это ее собственный способ их «понять». Даже при запуске очень сложного алгоритма, параметры того, как обучается ИИ — как он разбивает данные, чтобы обработать — установлены с самого начала.
 

У человеческого интеллекта не должно быть такого набора ограничений, вот что делает нас гораздо более эффективными в решении проблем. Именно способность людей «создавать» проблемы позволяет нам прекрасно их решать. В нашем подходе к решению проблем есть элемент контекстуального понимания и принятия решений.

ИИ может и мог бы распаковывать проблемы или находить новые способы их решения, но он не может определять проблемы, которые пытается решить.

За последние годы предметом пристального внимания стала алгоритмическая нечувствительность. Все больше скандалов связывают с предвзятостью систем ИИ. Конечно, это напрямую связано с предубеждениями тех, кто делает алгоритмы, но сами причины того, откуда в алгоритмах появляются эти предубеждения, могут определить только люди.
 

Мы должны помнить, что искусственный интеллект и машинное обучение — это не просто алгоритмы, которые «отбились от рук» и вышли из-под нашего контроля. Их создаем, проектируем и творим мы. Это накладывает на нас ответственность за наше будущее — оно будет таким, каким мы сами его сделаем.